[논문 리뷰] SNAF: Sparse-view CBCT Reconstruction with Neural Attenuation Fields

Yu Fang, Lanzhuju Mei외 5명|arXiv (Cornell University)|2022. 11. 30.

Medical Imaging Techniques and Applications인용 수 11

한 줄 요약

이 논문은 신경 투과율 필드 기반의 SNAF를 제안하며, 기존 임상 기준 대비 25배 적은 20개의 입력 뷰만으로도 고해상도 이미지를 생성하는 방법이다. 이는 특별히 개선된 뷰 증강 전략을 도입하여 특징 학습을 향상시키고 잡음과 기하학적 왜곡을 줄이는 데 기여한다. 이 방법은 금속 임플란트가 있는 어려운 데이터 세트에서도 PSNR > 30 및 SSIM > 0.92를 달성하며 최신 기술들을 초월한다.

ABSTRACT

Cone beam computed tomography (CBCT) has been widely used in clinical practice, especially in dental clinics, while the radiation dose of X-rays when capturing has been a long concern in CBCT imaging. Several research works have been proposed to reconstruct high-quality CBCT images from sparse-view 2D projections, but the current state-of-the-arts suffer from artifacts and the lack of fine details. In this paper, we propose SNAF for sparse-view CBCT reconstruction by learning the neural attenuation fields, where we have invented a novel view augmentation strategy to overcome the challenges introduced by insufficient data from sparse input views. Our approach achieves superior performance in terms of high reconstruction quality (30+ PSNR) with only 20 input views (25 times fewer than clinical collections), which outperforms the state-of-the-arts. We have further conducted comprehensive experiments and ablation analysis to validate the effectiveness of our approach.

연구 동기 및 목표

• 낮은 방사선 선량과 희소 뷰 CBCT 재구성에 도전하는 데 목적을 두며, 최소한의 방사선 노출을 실현한다.
• 기존의 희소 뷰 재구성 방법에서 발생하는 기하학적 왜곡과 세밀한 해부학적 구조의 손실 문제를 해결한다.
• 낮은 데이터 환경에서 정확한 부피 재구성을 위한 신경 암시적 표현을 활용한다.
• 신규 뷰 합성에서 일반화 능력과 선명도를 향상시키기 위한 뷰 증강 전략을 개발한다.
• 실제 임상 데이터, 특히 금속 기반 왜곡 상황을 포함한 실제 환경에서 방법의 유효성을 검증한다.

제안 방법

• 다중 해상도 해시 테이블을 사용하여 신경 투과율 필드를 학습하며, 표준 NeRF 중요도 샘플링 대신 등간격 레이 마이닝을 적용하여 체적 통합을 향상시킨다.
• 이중 단계 학습 파이프라인을 도입한다: 첫 번째 단계에서는 희소 입력 뷰를 기반으로 중간 신규 뷰를 렌더링하기 위해 신경 필드를 학습하고, 두 번째 단계에서는 인접한 입력 뷰를 사용해 이 중간 뷰를 보정하는 디블러링 네트워크를 적용한다.
• 보정된 신규 뷰는 이후 신경 투과율 필드의 미세 조정에 사용되어 재구성 품질과 일관성을 향상시킨다.
• 새로운 뷰 증강 전략은 중간 뷰를 생성하고, 인접한 뷰를 지도 신호로 활용하여 정규화를 강화하고 블러 현상을 감소시킨다.
• 이 방법은 깊이 지도나 표면 기반 정규화를 회피하여, CBCT에서 명시적인 표면이 존재하지 않기 때문에 적용 불가능한 기법을 배제한다.
• 이 방법은 부피 렌더링에 최적화되어 있으며, 3차원 공간 전역의 X선 투과율 계수를 직접 모델링한다.

실험 결과

연구 질문

• RQ1 신경 투과율 필드는 단 20개의 뷰만으로도 고품질의 CBCT 부피를 효과적으로 재구성할 수 있는가?
• RQ2 뷰 증강 전략은 희소 뷰 환경에서 재구성 정밀도를 향상시키고 기하학적 왜곡을 줄이는 데 어떤 기여를 하는가?
• RQ3 이 방법은 금속 기반 왜곡과 같은 어려운 임상 상황에 일반화될 수 있는가?
• RQ4 어떤 스캔 범위(예: 180°, 210°, 360°)가 재구성 품질과 스캔 시간 사이의 최적 균형을 이룰 수 있는가?
• RQ5 재구성된 부피는 치아 분할과 같은 후속 임상 작업을 지원할 수 있는가?

주요 결과

• SNAF는 단 20개의 입력 뷰만으로도 희소 뷰 CBCT 재구성에서 PSNR가 30 이상, SSIM이 0.92 이상을 달성하여 FBP 및 SART를 크게 능가한다.
• 이 방법은 스트레이이징 기하학적 왜곡을 줄이고, 금속 임플란트가 존재하는 상황에서도 세밀한 해부학적 구조를 유지하며, FBP 및 SART는 사용 불가능한 결과를 생성하는 데에 비해 뛰어난 성능을 보인다.
• 210°의 스캔 범위에서 재구성 품질이 정점에 도달함을 확인하여, 스캔 시간과 이미지 품질 사이의 최적 균형을 이루는 것으로 나타났다.
• 20개의 입력 뷰로부터 재구성된 부피에서 치아 인스턴스 분할이 성공적으로 수행되어 임상적 활용 가능성을 입증했다.
• 다양한 스캔 조건에서 안정적인 성능을 유지하며 노이즈와 데이터 제한에 대해 뛰어난 내성성을 보였다.
• 절단 실험을 통해 이중 단계 학습 및 뷰 증강 전략이 재구성 선명도 향상과 세부 구조 복원에 효과적임을 확인했다.