[논문 리뷰] Self-supervised Dynamic CT Perfusion Image Denoising with Deep Neural Networks

Dufan Wu, Hui Ren외 1명|arXiv (Cornell University)|2020. 05. 19.

Image and Signal Denoising Methods참고 문헌 64인용 수 4

한 줄 요약

이 논문은 고선량 기준 영상이 없이도 인접 프레임 간의 시간적 상관관계를 활용하여 동적 CT 피로션 영상의 노이즈 제거를 위한 자기지도 학습 기반 딥러닝 방법을 제안한다. 이 방법은 Noise2Noise 스타일의 학습을 사용하며, 각 프레임이 그 이웃 프레임들로부터 예측되도록 하여 독립적인 노이즈를 효과적으로 제거하고, 실제 임상 데이터에서 보다 뛰어난 영상 품질과 대비 대 노이즈 비율을 달성한다. 이는 지도 학습 및 전통적인 노이즈 제거 방법보다 우수하다.

ABSTRACT

Dynamic computed tomography perfusion (CTP) imaging is a promising approach for acute ischemic stroke diagnosis and evaluation. Hemodynamic parametric maps of cerebral parenchyma are calculated from repeated CT scans of the first pass of iodinated contrast through the brain. It is necessary to reduce the dose of CTP for routine applications due to the high radiation exposure from the repeated scans, where image denoising is necessary to achieve a reliable diagnosis. In this paper, we proposed a self-supervised deep learning method for CTP denoising, which did not require any high-dose reference images for training. The network was trained by mapping each frame of CTP to an estimation from its adjacent frames. Because the noise in the source and target was independent, this approach could effectively remove the noise. Being free from high-dose training images granted the proposed method easier adaptation to different scanning protocols. The method was validated on both simulation and a public real dataset. The proposed method achieved improved image quality compared to conventional denoising methods. On the real data, the proposed method also had improved spatial resolution and contrast-to-noise ratio compared to supervised learning which was trained on the simulation data

연구 동기 및 목표

• 동적 CT 피로션(CTP) 영상에서 높은 방사선 선량 문제를 해결하기 위해 효과적인 영상 노이즈 제거를 통해 저선량 CTP를 가능하게 하기 위해.
• CTP 노이즈 제거를 위한 딥러닝 모델 학습 시 쌍화된 고선량 기준 영상이 필요 없도록 하기 위해.
• 인접 CTP 프레임 간의 시간적 상관관계를 활용하여 영상 품질과 진단 신뢰성을 향상시키는 자기지도 학습 방법을 개발하기 위해.
• 모의 및 실제 CTP 데이터셋을 대상으로 방법을 검증하여 지도 학습 및 전통적 노이즈 제거 기법 대비 성능 향상을 입증하기 위해.

제안 방법

• 이 방법은 Noise2Noise 기반 자기지도 학습 프레임워크를 사용하며, 각 저선량 CTP 프레임이 시간적으로 인접한 프레임들로부터 예측된다.
• 네트워크는 소스 프레임의 노이즈가 독립적이고, 평균이 0인 노이즈를 가정하며, 이웃 프레임의 시간적 맥락만을 사용하여 노이즈 제거된 추정치를 생성하도록 학습된다.
• 학습 목표는 네트워크 출력과 목표 프레임 간의 평균 제곱오차를 최소화하는 것으로, 목표 프레임은 동일한 기저 구조의 노이즈가 첨가된 것으로 간주된다.
• 이 방법은 소스 및 목표 프레임의 노이즈가 상호 독립적이고 평균이 0이라는 가정에 기반하며, 진정한 기저 영상이 없이도 효과적인 노이즈 제거가 가능하다.
• 특징 학습 및 공간-시간 노이즈 제거를 위해 U-Net 기반 아키텍처를 사용한다.
• 이 방법은 모의 저선량 CTP 데이터 및 공개된 실제 CTP 데이터셋을 대상으로 검증되었으며, 지도 학습 및 전통적 노이즈 제거 기준선과의 성능 비교가 이루어졌다.

Figure 1: Proposed Noise2Noise framework for CTP denoising. The blue lines demonstrate the inputs to the network. The orange lines demonstrate the estimation of $\mathbf{c}(t)$ . Averaging over early frames are not demonstrated for the simplicity of the figure.

실험 결과

연구 질문

• RQ1 고선량 기준 스캔이 없는 조건에서 자기지도 학습 기반 딥러닝이 동적 CT 피로션 영상의 노이즈 제거에 효과적으로 작용할 수 있는가?
• RQ2 모의 데이터로 학습하고 실제 데이터로 테스트할 때, 자기지도 학습 노이즈 제거 방법의 성능이 지도 학습 방법보다 어떻게 비교되는가?
• RQ3 인접 CTP 프레임 간의 시간적 상관관계가 영상 노이즈 제거 품질 향상과 대비 대 노이즈 비율, 공간 해상도 등의 진단적 특징 유지를 얼마나 향상시킬 수 있는가?
• RQ4 노이즈의 독립성 및 평균이 0이라는 가정이 CTP 노이즈 제거에 기반한 Noise2Noise 학습 목표의 수렴성과 효과성에 미치는 영향은 무엇인가?
• RQ5 고선량 데이터 재학습 없이도 다양한 스캔 프로토콜에 일반화 가능한가?

주요 결과

• 제안된 자기지도 학습 방법은 모의 및 실제 CTP 데이터 모두에서 기존의 노이즈 제거 방법보다 향상된 영상 품질을 달성했다.
• 실제 CTP 데이터에서, 이 방법은 모의 데이터로 학습된 지도 학습 모델보다 공간 해상도와 대비 대 노이즈 비율 측면에서 뛰어난 성능을 보였다.
• 고선량 기준 영상에 접근할 수 없음에도 불구하고, 인접 프레임 간의 시간적 상관관계를 활용하여 효과적인 노이즈 제거가 가능했다.
• 이론적 분석을 통해 독립적이고 평균이 0인 노이즈 가정 하에 Noise2Noise 목표 함수가 진정한 기저 영상로 수렴함을 확인하였으며, 이는 방법의 학습 원리에 대한 타당성을 입증하였다.
• 고선량 데이터 요구 조건이 없기 때문에 다양한 스캔 프로토콜에 대해 강건성을 보였으며, 임상 적용에 더 쉽게 적응할 수 있었다.
• 허혈성 뇌졸중 진단에 중요한 혈역학적 매개변수 지도의 정확도를 뛰어나게 유지하는 데 성공하였다.

Figure 2: Part of the training and testing dataset. The simulation images were under noise level of $N_{0}=2\times 10^{5}$ . The first row showed the first frame, the second showed the frame at the peak of the time-concentration curve. The display windows are $40\pm 80$ HU.