[논문 리뷰] Sinogram-consistency learning in CT for metal artifact reduction.

Hyoung Suk Park, Yong Eun Chung외 3명|arXiv (Cornell University)|2017. 08. 02.

Advanced X-ray and CT Imaging인용 수 15

한 줄 요약

이 논문은 다색도 CT에서 고도로 투과되는 물질에 의해 유발되는 비틀림 효과를 줄이기 위해 깊이 학습 기반의 시노그램 일관성 학습 방법을 제안한다. 고체 투과 물질에 의해 유발되는 일관성 없는 시노그램을 복구함으로써 비틀림 효과를 감소시킨다. 환자별로 시뮬레이션된 훈련 데이터를 사용하여, 이 방법은 금속 기반의 비틀림 효과를 학습하여, 시노그램의 일관성을 크게 향상시키고 재구성 이미지에서 줄무늬 및 그림자 잡음 잡음을 줄인다.

ABSTRACT

This paper proposes a sinogram consistency learning method to deal with beam-hardening related artifacts in polychromatic computerized tomography (CT). The presence of highly attenuating materials in the scan field causes an inconsistent sinogram, that does not match the range space of the Radon transform. When the mismatched data are entered into the range space during CT reconstruction, streaking and shading artifacts are generated owing to the inherent nature of the inverse Radon transform. The proposed learning method aims to repair inconsistent sinograms by removing the primary metal-induced beam-hardening factors along the metal trace in the sinogram. Taking account of the fundamental difficulty in obtaining sufficient training data in a medical environment, the learning method is designed to use simulated training data. We use a patient-type specific learning model to simplify the learning process. The quality of sinogram repair was established through data inconsistency-evaluation and acceptance checking, which were conducted using a specially designed inconsistency-evaluation function that identifies the degree and structure of mismatch in terms of projection angles. The results show that our method successfully corrects sinogram inconsistency by extracting beam-hardening sources by means of deep learning.

연구 동기 및 목표

• 금속 삽입물과 같은 고도로 투과되는 물질에 의해 유발되는 다색도 CT에서의 비틀림 효과를 해결하기 위해.
• 라돈 변환의 범위 공간에서 벗어나는 일관성 없는 시노그램을 수정하여 줄무늬 및 그림자 잡음이 발생하는 원인을 제거하기 위해.
• 금속 흔적을 따라 비틀림 효과를 유발하는 요소를 식별하고 제거함으로써 시노그램을 복구하는 기반 학습 방법을 개발하기 위해.
• 임상 환자 데이터의 제한성에 대비해 환자 유형별로 시뮬레이션된 훈련 데이터를 사용하여 실제 환자 훈련 데이터 부족 문제를 해결하기 위해.
• 다양한 투사 각도 간의 불일치 정도를 정량화하는 맞춤형 불일치 평가 함수를 사용하여 시노그램 복구 품질을 평가하기 위해.

제안 방법

• 금속 물체 존재 하에 비틀림 효과를 보정하기 위해 시뮬레이션된 시노그램에서 훈련된 딥 러닝 모델을 사용한다.
• 일관성 없는 시노그램에서 일관성 있는 시노그램으로의 매핑을 단순화하기 위해 환자별 학습 프레임워크를 적용한다.
• 특히 설계된 불일치 평가 함수는 다양한 투사 각도에서 시노그램 불일치의 정도와 공간적 구조를 정량화한다.
• 모델은 일관성 없는 시노그램을 라돈 변환의 유효 범위 공간으로 투영함으로써 불일치를 최소화하도록 훈련된다.
• 직접 전체 이미지를 재구성하는 것보다는 금속 흔적을 따라 주요 비틀림 효과 요소를 제거하는 데 집중한다.
• 라돈 변환의 내재된 구조를 활용하여 물리적으로 타당한 시노그램 복구 방향으로 학습 과정을 이끌어낸다.

실험 결과

연구 질문

• RQ1 딥 러닝은 다색도 CT에서 비틀림 효과로 인해 발생한 일관성 없는 시노그램을 효과적으로 복구할 수 있는가?
• RQ2 시뮬레이션된 데이터로 훈련된 모델은 실제 CT 스캔에서 금속 기반의 잡음을 얼마나 잘 줄일 수 있는가?
• RQ3 제안된 방법은 다양한 투사 각도에서 시노그램의 일관성을 얼마나 복원할 수 있는가?
• RQ4 환자별 학습 접근 방식은 일반 모델에 비해 시노그램 복구의 정확성과 효율성을 향상시키는가?
• RQ5 불일치 평가 함수는 어떻게 시노그램 복구 품질 향상을 정량화하고 이끌어내는가?

주요 결과

• 제안된 방법은 깊이 학습을 통해 금속 흔적을 따라 비틀림 효과 요소를 식별하고 제거함으로써 시노그램 불일치를 성공적으로 감소시켰다.
• 불일치 평가 함수는 시노그램 불일치의 정도와 각도 구조를 효과적으로 정량화하여 정확한 향상 조치를 가능하게 하였다.
• 환자별 학습 모델은 개인의 해부학적 특성에 맞게 적응함으로써 시노그램 복구의 정확성을 향상시켰다.
• 기저의 시노그램 불일치를 수정함으로써 재구성 이미지에서 심각한 잡음 감소 효과를 달성하였다.
• 실제 환자 데이터의 부족함에도 불구하고 시뮬레이션된 훈련 데이터를 사용함으로써 효과적인 학습이 가능했다.
• 결과적으로 기반 학습 기반의 시노그램 복구가 줄무늬 및 그림자 잡음이 감소된 향상된 이미지 품질을 이끌어내는 것으로 나타났다.