[논문 리뷰] Deconvolution-Based Backproject-Filter (BPF) Computed Tomography Image Reconstruction Method Using Deep Learning Technique

Yongshuai Ge, Qiyang Zhang외 5명|arXiv (Cornell University)|2018. 07. 05.

Medical Imaging Techniques and Applications참고 문헌 4인용 수 10

한 줄 요약

이 논문은 컨volution 신경망(CNN)을 사용하여 고도로 흐린 라미노그램을 직접 고해상도, 저노이즈 CT 영상으로 탈블러어링하는 딥러닝 기반의 백프로젝션-필터링(BPF) 단층촬영(CT) 영상 재구성 방법을 제안한다. 기존의 필터링-백프로젝션(FBP)과 달리, 이 영상 도메인 BPF 접근법은 공간 해상도는 유사하게 유지하면서 최대 20%의 노이즈 감소를 달성하여 임상적 CT 스캔에서 방사선 선량 감소 가능성을 열어준다.

ABSTRACT

For conventional computed tomography (CT) image reconstruction tasks, the most popular method is the so-called filtered-back-projection (FBP) algorithm. In it, the acquired Radon projections are usually filtered first by a ramp kernel before back-projected to generate CT images. In this work, as a contrary, we realized the idea of image-domain backproject-filter (BPF) CT image reconstruction using the deep learning techniques for the first time. With a properly designed convolutional neural network (CNN), preliminary results demonstrate that it is feasible to reconstruct CT images with maintained high spatial resolution and accurate pixel values from the highly blurred back-projection image, i.e., laminogram. In addition, experimental results also show that this deconvolution-based CT image reconstruction network has the potential to reduce CT image noise (up to 20%), indicating that patient radiation dose may be reduced. Due to these advantages, this proposed CNN-based image-domain BPF type CT image reconstruction scheme provides promising prospects in generating high spatial resolution, low-noise CT images for future clinical applications.

연구 동기 및 목표

• 딥러닝을 활용해 백프로젝션-필터링(BPF) CT 재구성 프레임워크 내에서 영상 도메인 탈블러어링을 수행할 수 있는지의 가능성을 조사하는 것.
• 이전의 BPF 방법에서 발생하는 계산 비효율성과 무한대에 이르는 탈블러어링 커널로 인한 해상도 저하 등의 역사적 한계를 극복하는 것.
• 기존의 시노그램 필터링을 생략하고 흐린 라미노그램에서 직접 고품질 CT 영상을 재구성하는 CNN 기반 접근법을 개발하는 것.
• 이 방법이 임상적 CT 적용 분야에서 노이즈 감소 및 선량 최적화 잠재력을 얼마나 지닐 수 있는지 평가하는 것.
• 이식 가능한 네트워크 설계를 통해 다양한 CT 기하학적 구조와 영상 크기에 걸쳐 일반화 능력을 입증하는 것.

제안 방법

• 컨volution 신경망(CNN)이 라미노그램—백프로젝션된 시노그램—에 대해 영상 도메인 탈블러어링을 수행하도록 훈련되며, 이를 통해 선명한 CT 영상으로 복원된다.
• 훈련 데이터셋은 임상적 CT 영상에서 Hounsfield 단위를 0.02/mm의 경험적 계수(60 keV X선 비트 근사치)를 사용해 선형 투과 계수로 변환함으로써 생성된다.
• 노이즈에 대한 내성을 향상시키기 위해 이미지 값에 무작위로 0.50에서 2.00 사이의 스케일링을 적용하여 데이터 증강을 수행한다.
• 네트워크는 512×512 크기의 흐린 라미노그램을 입력으로 받아, 고해상도, 저노이즈 CT 영상으로 매핑하도록 훈련되며, 입력/출력 크기가 고정되어 있다.
• 탈블러어링 단계에서 CT 기하학적 구조에 독립적이므로, 라미노그램이 적절히 생성된다면 다양한 영상 설정에 일반화 가능하다.
• 프레임워크는 임상적 CT 데이터와 디지털 페phantom을 사용하여 검증되었으며, 기존의 FBP 및 노이즈 없는 재구성 결과와 성능을 비교하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 영상 도메인에서 흐린 라미노그램을 고해상도 CT 영상으로 효과적으로 탈블러어링할 수 있는가?
• RQ2 제안된 CNN 기반 BPF 방법이 기존 FBP와 유사한 공간 해상도를 유지하면서도 영상 노이즈를 감소시키는가?
• RQ3 훈련된 CNN이 다양한 CT 영상 촬영 기하학적 구조와 투과 특성에 걸쳐 일반화 가능한가?
• RQ4 이 방법이 노이즈 억제를 통해 환자 방사선 선량을 줄일 잠재력이 있는가?
• RQ5 CNN 재구성 영상의 노이즈 파wer 스펙트럼(NPS)이 FBP 재구성 영상과 비교해 어떻게 되는가?

주요 결과

• 제안된 CNN 기반 BPF 방법은 흐린 라미노그램에서 고해상도 CT 영상을 성공적으로 재구성하며, 공간 세부 정보를 유지한다.
• 기존 FBP 대비 최대 20%의 영상 노이즈 감소를 달성하였으며, 이는 노이즈 억제 잠재력이 매우 높다는 것을 시사한다. 이는 노이즈 없는 데이터로도 훈련되었음에도 불구하고 성립한다.
• CNN 재구성 영상의 노이즈 텍스처는 FBP와 유사하여 임상적 노이즈 인식과 영상 품질 지표와의 호환성을 시사한다.
• 탈블러어링 네트워크가 영상 촬영 기하학적 매개변수에 영향을 받지 않기 때문에, 다양한 CT 기하학적 구조에 대해 잘 일반화된다.
• 재훈련을 통해 다양한 영상 크기(행렬 크기)에 맞게 적용할 수 있으며, 현재는 512×512로 고정되어 있으나 일관된 성능 유지를 보인다.
• 초기 결과에 따르면, 향후 노이즈가 포함된 데이터셋으로 훈련할 경우 노이즈 감소 및 아티팩트 억제 성능이 더욱 향상되어 ALARA(가능한 한 낮게) 선량 프로토콜을 지원할 수 있을 것으로 예상된다.