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

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

Medical Imaging Techniques and Applications참고 문헌 103인용 수 7

한 줄 요약

이 종합 검토는 저선량 X선 CT에서 통계적 영상 복원(SIR)의 통계적 모델과 정규화 전략을 검토하며, 원자료 광자 수를 사용하는 페널티 최대우도(pML)와 로그 변환된 선적분을 사용하는 페널티 가중 최소제곱(PWLS)이라는 두 가지 주요 프레임워크에 초점을 맞춘다. 주요 기여는 투과 데이터의 정확한 통계적 모델링과 효과적인 정규화 항이 함께 작용할 때 기존의 필터링 역산탄법(FBP)을 뛰어넘는 영상 품질 향상을 가능하게 하며, 특히 방사선 노출이 감소한 저선량 상황에서 그러한 향상이 이루어진다는 점을 체계적으로 분석한 데 있다.

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 X선 CT 영상 복원에 사용되는 통계적 모델에 대한 종합적인 검토를 제공하는 것.
• 영상 특성에 대한 사전 지식을 통합하는 정규화 항의 역할을 분석하는 것.
• 두 주요 SIR 프레임워크인 원자료 광자 수를 사용하는 pML와 로그 변환된 투과선적분을 사용하는 PWLS를 비교하는 것.
• 정확한 통계적 모델링과 효과적인 정규화가 저선량 방사선 조건에서 고품질 영상 획득에 중요한 이유를 부각하는 것.
• 저선량 CT에서 통계적 영상 복원 방법을 개발하거나 개선하는 연구자들에게 참고 자료로 기능하는 것.

제안 방법

• 논문은 SIR를 최대 사후확률(MAP) 추정 문제로 설정하며, 목적 함수를 데이터 적합도 항과 정규화 항으로 분해한다.
• X선 투과 측정치를 위한 통계적 모델을 검토하며, 포isson 분포와 정규분포 근사 모델을 포함하여 특히 데이터 통계에 대한 로그 변환의 영향을 집중적으로 분석한다.
• pML 프레임워크는 로그 변환 이전의 校정된 광자 수를 사용하여, 투과 데이터를 포isson 분포로 모델링하는 방식을 검토한다.
• PWLS 프레임워크는 로그 변환 이후의 校정된 선적분을 사용하며, 데이터 적합도 항을 가중 최소제곱 기준으로 모델링한다.
• 정규화 전략을 종합적으로 검토하며, 전체 차분, 비국소 평균, 웨이브릿 기반 사전확률 등을 포함하여 영상의 희소성 또는 부드러움과 같은 원하는 특성을 강제하는 데 기여한다.
• 소음 억제 및 공간 해상도 유지 측면에서 pML 및 PWLS 수식의 이론적 및 실용적 영향을 비교한다.

실험 결과

연구 질문

• RQ1 X선 투과 데이터에 대한 다양한 통계적 모델이 저선량 CT에서의 통계적 영상 복원 성능에 어떤 영향을 미치는가?
• RQ2 저선량 CT의 SIR에서 원자료 광자 수(pML)를 사용하는 것과 로그 변환된 선적분(PWLS)을 사용하는 것의 장점과 한계는 무엇인가?
• RQ3 다양한 정규화 전략은 소음 감소 및 에지 유지 측면에서 영상 품질에 어떤 영향을 미치는가?
• RQ4 사전 지식이 정규화 항을 형성함으로써 복원 정확도 향상에 어떤 역할을 하는가?
• RQ5 통계적 모델링과 정규화가 저선량 CT 응용 분야에서 진단용 영상 품질에 공동으로 어떤 영향을 미치는가?

주요 결과

• 변환되지 않은 광자 수를 기반으로 하는 pML 프레임워크는 저선량 데이터에 대해 더 정확한 통계적 모델링을 제공하지만, 계산적으로 더 복잡하다.
• 로그 변환된 투과선적분을 사용하는 PWLS 프레임워크는 데이터 적합도 항을 단순화하고 효율적인 최적화를 가능하게 하지만, 변환 후 정규분포 잡음을 가정한다는 점에서 제약이 있다.
• 정확한 투과 데이터의 통계적 모델링은 특히 소음이 매우 비정규분포인 저선량 상황에서 신뢰할 수 있는 SIR를 위해 필수적이다.
• 전체 차분과 같은 정규화 항은 소음을 효과적으로 억제하면서도 에지를 유지하지만, 계단형 아티팩트를 유발할 수 있다.
• pML와 PWLS 사이의 선택은 모델 정확도와 계산 효율성 사이의 상충 관계를 반영하며, 양쪽 모두 기존의 FBP를 뛰어넘는 영상 품질 향상에 기여할 수 있다.
• 논문은 정확한 통계적 모델링과 잘 설계된 정규화의 조합이 저선량 CT에서 고임상 품질의 영상을 달성하는 데 핵심적이라고 결론 내린다.