[논문 리뷰] X-ray Photon-Counting Data Correction through Deep Learning

Mengzhou Li, David S. Rundle외 1명|arXiv (Cornell University)|2020. 07. 06.

Advanced X-ray and CT Imaging참고 문헌 43인용 수 11

한 줄 요약

이 논문은 X선 포톤 카운팅 검출기(PCDs)의 스펙트럼 왜곡을 보정하기 위한 딥러닝 기반 방법을 제안한다. 펄스 중첩 및 전하 분할 효과를 보완하기 위해 시뮬레이션 데이터 기반의 지도 학습을 수행한 적대적 네트워크를 활용하며, 스펙트럼 복원 오차가 6% 미만이며, 투과 및 재구성 영역에서 이미지 품질이 크게 향상된다.

ABSTRACT

X-ray photon-counting detectors (PCDs) are drawing an increasing attention in recent years due to their low noise and energy discrimination capabilities. The energy/spectral dimension associated with PCDs potentially brings great benefits such as for material decomposition, beam hardening and metal artifact reduction, as well as low-dose CT imaging. However, X-ray PCDs are currently limited by several technical issues, particularly charge splitting (including charge sharing and K-shell fluorescence re-absorption or escaping) and pulse pile-up effects which distort the energy spectrum and compromise the data quality. Correction of raw PCD measurements with hardware improvement and analytic modeling is rather expensive and complicated. Hence, here we proposed a deep neural network based PCD data correction approach which directly maps imperfect data to the ideal data in the supervised learning mode. In this work, we first establish a complete simulation model incorporating the charge splitting and pulse pile-up effects. The simulated PCD data and the ground truth counterparts are then fed to a specially designed deep adversarial network for PCD data correction. Next, the trained network is used to correct separately generated PCD data. The test results demonstrate that the trained network successfully recovers the ideal spectrum from the distorted measurement within $\pm6\%$ relative error. Significant data and image fidelity improvements are clearly observed in both projection and reconstruction domains.

연구 동기 및 목표

• 펄스 중첩 및 전하 분할로 인한 X선 포톤 카운팅 검출기(PCDs)의 스펙트럼 왜곡을 해결하기 위해.
• 복잡한 물리 모델에 의존하지 않고 데이터 기반의 종단간 딥러닝 접근법을 개발하기 위해.
• 투과 및 재구성된 CT 영상에서 스펙트럼 충실도와 이미지 품질을 향상시키기 위해.
• 훈련을 위한 펌프된 왜곡된 PCD 데이터와 이상적인 PCD 데이터 쌍을 생성하기 위한 현실적인 시뮬레이션 파이프라인을 수립하기 위해.
• 딥러닝 기반 접근법이 복잡한 스펙트럼 왜곡을 보정하는 데 있어 전통적인 모델 기반 또는 얕은 네트워크 접근법보다 뛰어난 성능을 보임을 입증하기 위해.

제안 방법

• 펄스 중첩 및 전하 분할 효과를 모두 포함하는 종합적인 시뮬레이션 모델을 개발하였으며, 전하 공유 및 K-껍질 플라즈마 방출을 포함한다.
• 실제 스펙트럼 왜곡이 발생한 합성 PCD 데이터와 해당하는 기저 진짜 스펙트럼을 생성하여 지도 학습을 위한 데이터를 확보한다.
• 펄스 중첩 보정을 위한 dePUnet과 전하 분할 보정을 위한 deCSnet를 포함한 특수 설계된 딥 적대적 네트워크를 종단간으로 훈련시켰다.
• 생성 적대적 훈련 전략을 사용하여 스펙트럼 충실도를 향상시키고 재구성 아티팩트를 감소시켰다.
• 왜곡된 PCD 측정치를 이상적인 스펙트럼 투과도로 매핑하기 위해 펌프된 합성 데이터를 활용한 훈련 과정을 수행하였다.
• 실제 데이터 기반 훈련 후 실세계 적용을 위해 전이 학습을 제안하였으며, 실질적인 PCD 측정치를 활용해 네트워크를 미세 조정하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 펄스 중첩 및 전하 분할로 인한 X선 PCD 데이터의 스펙트럼 왜곡을 효과적으로 보정할 수 있는가?
• RQ2 딥 적대적 네트워크의 성능은 스펙트럼 충실도와 이미지 품질 측면에서 얕은 네트워크나 모델 기반 보정 방법보다 어떻게 비교되는가?
• RQ3 시뮬레이션 기반 딥러닝 접근법이 고도로 왜곡된 PCD 측정치에서 이상 스펙트럼을 얼마나 잘 복원할 수 있는가?
• RQ4 실제 조건 하에서 모든 에너지 밴에서 스펙트럼 복원의 달성 가능한 오차 한계는 무엇인가?
• RQ5 딥러닝 접근법이 투과 및 재구성 영역에서 노이즈 억제와 동시에 스펙트럼 왜곡을 보정할 수 있는가?

주요 결과

• 제안된 딥러닝 방법은 99.7% 신뢰수준에서 모든 에너지 밴에서 최대 픽셀 단위 상대 오차가 6% 미만을 달성하였다.
• 99%의 픽셀이 6% 이내 오차로 보정되었으며, 에너지 밴 3에서 9(40–110 keV)에서는 99.7%의 픽셀이 3% 이내 오차를 기록하였다.
• 최악의 경우, 보정 이전의 최대 상대 오차가 1000% 이상이었으나, 보정 후에는 55% 이하로 감소시켰다.
• 이미지 재구성 품질이 크게 향상되었으며, SSIM 점수는 0.024에서 0.517로 상승했고, PSNR 점수는 25.3%에서 161.1%로 향상되었다.
• 딥 적대적 네트워크는 얕은 완전 연결 네트워크보다 우수한 성능을 보였으며, 수렴 후 MSE 손실을 0.12에서 0.0000011로 감소시켰다.
• 시각적 및 정량적 결과는 투과 및 재구성 이미지 영역에서 강력한 노이즈 억제와 정확한 스펙트럼 복원을 확인하였다.