[논문 리뷰] Statistical models and regularization strategies in statistical image reconstruction of low-dose X-ray computed tomography: a survey

Hao Zhang, Jing Wang외 3명|arXiv (Cornell University)|2014. 12. 04.

Medical Imaging Techniques and Applications인용 수 3

한 줄 요약

이 논문은 저선량 X선 CT를 위한 통계적 영상 복원(SIR) 방법을 검토하며, 데이터 적합성과 정규화 항을 조합한 목적 함수에 초점을 맞춘다. 필드 최대우도(pML) 및 가중 최소제곱법에 기반한 정규화(PWLS) 프레임워크를 비교하여, 영상 품질을 향상시키기 위한 투과광자 수의 통계 모델과 정규화 전략을 평가한다. 기존의 필터링 배경분포와 비교하여 개선된 영상 품질을 달성한다.

ABSTRACT

Statistical image reconstruction (SIR) methods have shown potential to substantially improve the image quality of low-dose X-ray computed tomography (CT) as compared to the conventional filtered back-projection (FBP) method for various clinical tasks. According to the maximum a posterior (MAP) estimation, the SIR methods can be typically formulated by an objective function consisting of two terms: (1) data-fidelity (or equivalently, data-fitting or data-mismatch) term modeling the statistics of projection measurements, and (2) regularization (or equivalently, prior or penalty) term reflecting prior knowledge or expectation on the characteristics of the image to be reconstructed. Existing SIR methods for low-dose CT can be divided into two groups: (1) those that use calibrated transmitted photon counts (before log-transform) with penalized maximum likelihood (pML) criterion, and (2) those that use calibrated line-integrals (after log-transform) with penalized weighted least-squares (PWLS) criterion. Accurate statistical modeling of the projection measurements is a prerequisite for SIR, while the regularization term in the objective function also plays a critical role for successful image reconstruction. This paper reviews several statistical models on CT projection measurements and various regularization strategies incorporating prior knowledge or expected properties of the image to be reconstructed, which together formulate the objective function of the SIR methods for low-dose X-ray CT.

연구 동기 및 목표

• 저선량 CT에서 투과 측정값의 통계 모델을 분석하여 정확한 영상 복원을 위한 기초를 마련한다.
• 영상 특성에 대한 사전 지식을 통합하는 정규화 전략을 평가한다.
• SIR에서 필드 최대우도(pML) 및 가중 최소제곱법에 기반한 정규화(PWLS) 공식화의 성능을 비교한다.
• 통계적 복원 방법을 사용할 때 저선량 CT에서 영상 품질에 영향을 주는 핵심 요소를 규명한다.

제안 방법

• 최대 사후확률(MAP) 추정을 사용하여 SIR를 최적화 문제로 수립한다.
• 목적 함수를 투과 통계를 모델링하는 데이터 적합성 항과 영상 사전 지식을 포함하는 정규화 항으로 분리한다.
• 로그 변환 이전에 校정된 투과광자 수를 사용하는 pML 기반 방법을 검토한다.
• 로그 변환 이후에 校정된 선적분을 사용하는 PWLS 기반 방법을 검토한다.
• 희소성 또는 조각별 평탄성과 같은 원하는 영상 특성을 촉진하는 다양한 정규화 기법을 분석한다.
• 저선량 CT에서 pML 및 PWLS 프레임워크의 통계적 가정과 실용적 영향을 비교한다.

실험 결과

연구 질문

• RQ1 투과 데이터의 다양한 통계 모델은 저선량 CT에서 영상 복원 정확도에 어떻게 영향을 미치는가?
• RQ2 SIR에서 pML와 PWLS 공식화의 상대적 장점은 무엇인가?
• RQ3 영상 사전 지식을 통합하는 정규화 전략은 복원 품질을 어떻게 향상시키는가?
• RQ4 투과 측정값의 정확한 통계 모델링은 SIR 성능에서 어떤 역할을 하는가?
• RQ5 소음과 아티팩트를 줄이면서 진단용 영상 품질을 가장 잘 유지하는 정규화 기법은 무엇인가?

주요 결과

• 저선량 CT에서 정확한 SIR를 위해서는 투과 측정값의 통계 모델링이 필수적이다.
• pML와 PWLS 공식화 간의 선택은 투과 데이터의 통계 처리 방식(로그 변환 이전 또는 이후)에 따라 달라진다.
• 정규화 항은 영상 구조에 대한 사전 지식을 통합함으로써 영상 품질에 상당한 영향을 미친다.
• 적절한 정규화는 소음을 줄이고 아티팩트를 감소시키면서 진단에 필요한 특징를 유지할 수 있다.
• 적절하게 校정된 경우, SIR 방법은 기존의 필터링 배경분포보다 저선량 상황에서 일관되게 뛰어난 성능을 보인다.
• 정확한 통계 모델링과 효과적인 정규화의 통합은 저선량 CT 복원에서 열등한 영상 품질을 초래한다.