[논문 리뷰] Sinogram interpolation for sparse-view micro-CT with deep learning neural network

Dong Xu, Swapnil Vekhande외 1명|arXiv (Cornell University)|2019. 02. 09.

Medical Imaging Techniques and Applications참고 문헌 19인용 수 5

한 줄 요약

이 논문은 희박한 시각 마이크로-CT에서 깊이 학습 기반의 시노그램 보간 방법을 제안하며, U-Net에 잔차 학습을 적용하여 시각 밀도 90%에서 영상 품질을 크게 향상시킨다. 필터링 역투영(FBP) 알고리즘에 입력된 보간된 시노그램은 기존 선형 보간보다 RMSE를 감소시키고 SSIM을 향상시킨다.

ABSTRACT

In sparse-view Computed Tomography (CT), only a small number of projection images are taken around the object, and sinogram interpolation method has a significant impact on final image quality. When the amount of sparsity (the amount of missing views in sinogram data) is not high, conventional interpolation methods have yielded good results. When the amount of sparsity is high, more advanced sinogram interpolation methods are needed. Recently, several deep learning (DL) based sinogram interpolation methods have been proposed. However, those DL-based methods have mostly tested so far on computer simulated sinogram data rather experimentally acquired sinogram data. In this study, we developed a sinogram interpolation method for sparse-view micro-CT based on the combination of U-Net and residual learning. We applied the method to sinogram data obtained from sparse-view micro-CT experiments, where the sparsity reached 90%. The interpolated sinogram by the DL neural network was fed to FBP algorithm for reconstruction. The result shows that both RMSE and SSIM of CT image are greatly improved. The experimental results demonstrate that this sinogram interpolation method produce significantly better results over standard linear interpolation methods when the sinogram data are extremely sparse.

연구 동기 및 목표

• 제한된 투영 데이터로 인한 희박한 시각 마이크로-CT에서 낮은 영상 품질 문제를 해결하기 위해.
• 모의 데이터뿐 아니라 실제 실험 데이터에서도 효과적인 깊이 학습 기반의 시노그램 보간 방법을 개발하기 위해.
• 극도로 희박한 시노그램 데이터에서 잔상과 노이즈를 줄여 영상 재구성 품질을 향상시키기 위해.
• 극도의 희박성 조건(90% 누락 시점)에서 기계 학습 기반 보간이 전통적인 선형 보간보다 뛰어난 성능을 보이는지 입증하기 위해.

제안 방법

• 희박한 시노그램에서 조밀한 시노그램으로의 매핑을 학습하기 위해 잔차 학습 블록을 적용한 U-Net 아키텍처를 사용한다.
• 90% 시점 희박성으로 이루어진 마이크로-CT 스캔의 실제 실험 시노그램 데이터를 기반으로 네트워크를 엔드 투 엔드로 훈련한다.
• 이웃 시점들로부터의 공간적 및 각도적 맥락을 활용하여 누락된 투영 시점을 예측하도록 모델을 학습시킨다.
• 잔차 학습은 고희박성 보간에 적합한 더 나은 기울기 흐름과 향상된 훈련 안정성을 제공한다.
• 보간된 시노그램은 표준 필터링 역투영(FBP) 알고리즘을 사용하여 재구성된다.

실험 결과

연구 질문

• RQ1 90% 시점 희박성에서 실제 실험 데이터로부터 고해상도 CT 영상을 효과적으로 재구성할 수 있는 깊이 학습 기반의 시노그램 보간 방법이 가능한가?
• RQ2 제안된 U-Net에 잔차 학습을 적용한 방법이 선형 보간 대비 영상 품질 지표에서 어떻게 비교되는가?
• RQ3 깊이 학습 모델은 모의 데이터뿐 아니라 실제 마이크로-CT 데이터에도 잘 일반화되는가?
• RQ4 보간 과정이 최종 재구성된 CT 영상에서 잔상과 노이즈를 어느 정도 감소시키는가?

주요 결과

• 제안된 방법은 90% 희박성 조건에서 선형 보간 대비 재구성된 CT 영상의 RMSE를 크게 감소시킨다.
• 재구성된 영상의 SSIM(구조적 유사도 지수)가 상당히 향상되어 영상 구조의 보존 정도가 높아짐을 나타낸다.
• 깊이 학습 기반 보간은 선형 보간보다 눈에 띄게 줄어든 줄무늬 잔상과 노이즈 잔상 결과를 만들어낸다.
• 이 방법은 실제 실험 데이터에서 뛰어난 성능을 보이며, 시뮬레이션을 넘어서 실용적 적용 가능성에 대한 검증을 완료한다.