[논문 리뷰] Sparse-View Spectral CT Reconstruction Using Deep Learning

Wail Mustafa, Christian Kehl외 5명|arXiv (Cornell University)|2020. 11. 30.

Advanced X-ray and CT Imaging참고 문헌 78인용 수 6

한 줄 요약

이 논문은 희소 시야 투영에서 고품질 스펙트럼 CT 영상을 복원하기 위해 다중채널 U-Net을 사용하는 딥러닝 기반 방법을 제안한다. 공유된 컨볼루션을 통해 모든 스펙트럼 채널을 동시에 처리함으로써, 최신의 반복적 방법보다 더 빠른 추론 속도와 뛰어난 영상 품질을 달성하면서도 상호 채널 상관관계를 효과적으로 활용하여 노이즈와 아티팩트를 감소시킨다.

ABSTRACT

Spectral computed tomography (CT) is an emerging technology capable of providing high chemical specificity, which is crucial for many applications such as detecting threats in luggage. This type of application requires both fast and high-quality image reconstruction and is often based on sparse-view (few) projections. The conventional filtered back projection (FBP) method is fast but it produces low-quality images dominated by noise and artifacts in sparse-view CT. Iterative methods with, e.g., total variation regularizers can circumvent that but they are computationally expensive, as the computational load proportionally increases with the number of spectral channels. Instead, we propose an approach for fast reconstruction of sparse-view spectral CT data using a U-Net convolutional neural network architecture with multi-channel input and output. The network is trained to output high-quality CT images from FBP input image reconstructions. Our method is fast at run-time and because the internal convolutions are shared between the channels, the computational load increases only at the first and last layers, making it an efficient approach to process spectral data with a large number of channels. We have validated our approach using real CT scans. Our results show qualitatively and quantitatively that our approach outperforms the state-of-the-art iterative methods. Furthermore, the results indicate that the network can exploit the coupling of the channels to enhance the overall quality and robustness.

연구 동기 및 목표

• 기존의 FBP 방법이 노이즈가 많고 아티팩트가 많은 영상을 생성하는 희소 시야 스펙트럼 CT에서 저품질 영상 복원 문제를 해결하기 위해.
• 고채널 스펙트럼 CT 데이터에 적용할 경우 계산 비용이 과도하여 실용성이 떨어지는 반복적 방법(예: ART-TV 및 TNV)의 한계를 극복하기 위해.
• 스펙트럼 채널 간 결합을 활용하여 더 빠르고 확장 가능하며 강건한 복원 방법을 개발하기 위해.
• 딥러닝 기반 방법이 희소 시야 스펙트럼 CT에서 속도와 복원 품질 측면에서 반복적 방법을 능가할 수 있음을 입증하기 위해.

제안 방법

• 다중채널 FBP 복원 영상(노이즈 및 아티팩트 포함)을 고품질 스펙트럼 CT 영상으로 매핑하기 위해 다중채널 U-Net 컨볼루션 신경망을 학습시킨다.
• 스펙트럼 채널 간에 공유된 컨볼루션 계층을 사용함으로써 계산 비용을 감소시키고 많은 수의 채널을 효율적으로 처리할 수 있도록 한다.
• 신경망의 입력은 다중채널 FBP 복원 영상이며, 출력은 개선되고 아티팩트가 감소된 스펙트럼 CT 볼륨이다.
• 실제 CT 스캔 데이터를 사용하여 엔드 투 엔드로 학습하며, 스펙트럼 채널 전반의 복원 오차를 최소화하는 손실 함수를 적용한다.
• 아키텍처는 스펙트럼 채널 간의 공동 처리를 가능하게 하여 모델이 상호 채널 상관관계를 활용해 강건성을 향상시킬 수 있도록 한다.
• CPU 및 GPU 환경에서의 구현을 통해 ART-TV, FBP, DSIR(FBP + CNN) 기준선과의 비교 평가를 실시한다.

실험 결과

연구 질문

• RQ1 FBP 복원 영상에 훈련된 딥러닝 모델이 희소 시야 스펙트럼 CT에서 영상 품질을 크게 향상시킬 수 있는가?
• RQ2 공유된 컨볼루션을 통한 스펙트럼 채널의 공동 처리 방식이 독립적 채널 처리보다 더 뛰어난 복원 품질과 계산 효율성을 제공하는가?
• RQ3 일부 스펙트럼 채널에서 높은 노이즈 또는 저에너지 채널에 영향을 미치는 금속 아티팩트가 존재할 경우 모델의 성능은 어떠한가?
• RQ4 제안된 방법이 ART-TV 및 TNV와 같은 최신 반복적 방법보다 속도와 영상 품질 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ5 스펙트럼 채널 간 결합이 복원의 강건성과 일관성 향상에 얼마나 기여하는가?

주요 결과

• 제안된 방법은 ART-TV 및 FBP보다 정량적(예: 더 높은 SSIM, 더 낮은 RMSE) 및 정성적 측면에서 유의미하게 뛰어난 영상 품질을 달성한다.
• GPU에서 ART-TV 대비 약 37배 빠르며, 표준 딥러닝 라이브러리를 사용함에도 불구하고 FBP 기반 CNN 기준선 대비 7배 빠르다.
• 신경망은 FBP보다 노이즈와 아티팩트를 더 효과적으로 감소시키며, DSIR(FBP + CNN)보다도 더 뛰어난 복원 품질을 보인다.
• 높은 노이즈 채널과 금속 아티팩트가 존재하는 상황에서도 강건성을 보이며, 채널 간 스펙트럼 일관성의 효과적인 활용을 시사한다.
• 계산 복잡도는 FBP 단계가 아니라 CNN 추론 단계에 의해 주로 결정되며, 32채널 처리 시 GPU에서의 시간은 단 6.4ms이다.
• 결과적으로 채널 간 결합을 통해 손상된 채널을 보완하기 위해 건강한 채널을 효과적으로 활용함으로써 전체적인 강건성이 향상됨을 시사한다.