[논문 리뷰] Deep Residual Learning for Compressed Sensing CT Reconstruction via Persistent Homology Analysis

Yoseob Han, Jaejun Yoo외 1명|arXiv (Cornell University)|2016. 11. 19.

Medical Imaging Techniques and Applications참고 문헌 19인용 수 173

한 줄 요약

이 논문은 희소뷰 CT에서 스트리킹 아티팩트를 제거하기 위해 깊은 잔여 U-넷 아키텍처를 제안하며, 아티팩트가 더 간단한 매니폴드에 존재하고 기존 압축 센싱 방법보다 더 빠르고 고품질 재구성에 도달함.

ABSTRACT

Recently, compressed sensing (CS) computed tomography (CT) using sparse projection views has been extensively investigated to reduce the potential risk of radiation to patient. However, due to the insufficient number of projection views, an analytic reconstruction approach results in severe streaking artifacts and CS-based iterative approach is computationally very expensive. To address this issue, here we propose a novel deep residual learning approach for sparse view CT reconstruction. Specifically, based on a novel persistent homology analysis showing that the manifold of streaking artifacts is topologically simpler than original ones, a deep residual learning architecture that estimates the streaking artifacts is developed. Once a streaking artifact image is estimated, an artifact-free image can be obtained by subtracting the streaking artifacts from the input image. Using extensive experiments with real patient data set, we confirm that the proposed residual learning provides significantly better image reconstruction performance with several orders of magnitude faster computational speed.

연구 동기 및 목표

• 희소 투시 뷰를 사용해 CT의 방사선량을 낮추는 것을 동기화한다.
• 전체 이미지가 아닌 스트리킹 아티팩트를 추정하는 잔차 학습 CNN을 도입한다.
• 지속적 호몰로지 분석을 통해 아티팩트 매니폴드가 위상적으로 더 단순함을 보여주고, 학습을 돕는다.
• 다중 스케일 U-넷 아키텍처가 디테일을 보존하면서 스트리킹을 효과적으로 제거함을 보여준다.
• 품질과 속도 면에서 전통적 CS-CT 방법과 성능을 비교한다.

제안 방법

• 희소 뷰 CT 재구성을 잔차 학습을 통한 아티팩트 제거로 공식화한다(아티팩트 = 입력 이미지 - 전체 뷰 이미지).
• 수용 영역을 확장하기 위해 수축 경로와 연결(concatenation)을 갖는 다중 스케일 U-net 스타일 아키텍처를 사용한다.
• 아티팩트가 제거된 이미지가 아닌 스트리킹 아티팩트를 근사하도록 잔차 학습을 적용한다.
• 아티팩트 매니폴드의 위상과 전체 뷰 이미지 매니폴드의 위상을 비교하기 위해 지속적 호몰로지 분석을 활용한다.
• 256x256 패치를 사용하고 작은 L2 정규화 항을 갖춘 패치 기반 훈련 데이터에서 SGD로 학습한다.
• 다양한 뷰 수(48, 64, 96, 192)에서 평가하고 PSNR을 TV 기반 CS-CT와 비교한다.

실험 결과

연구 질문

• RQ1 잔차(아티팩트) 매니폴드가 전체 이미지 매니폴드보다 위상적으로 더 단순하여 학습을 촉진하는가?
• RQ2 다중 스케일 잔차 학습이 단일 스케일 및 이미지 학습 접근법보다 희소뷰 CT 재구성에서 더 우수한가?
• RQ3 제안된 방법이 하나의 학습된 모델로(예: 48–192) 범위의 투사 뷰 개수에 일반화될 수 있는가?
• RQ4 이 방법이 TV 기반 압축 센싱 CT와 비교하여 더 빠른 재구성과 더 높은 이미지 품질을 제공하는가?
• RQ5 뷰 수에 걸친 보편적 재구성 성능에 대한 학습 데이터 다양성의 영향은 무엇인가?

주요 결과

• 지속적 호몰로지 분석은 잔류 아티팩트 매니폴드가 원래 이미지 매니폴드보다 위상적으로 더 단순하다는 것을 보여준다.
• 다중 스케일 잔차 학습(U-네트 스타일)이 단일 스케일 잔차 또는 이미지 학습 기반선보다 더 나은 재구성을 제공한다.
• 제안된 방법은 48–192 뷰 설정에서 대안들보다 더 높은 PSNR을 달성하고 실행 시간은 크게 더 빠르다.
• 슬라이스당 재구성 속도는 약 123 ms로 TV 기반 CS-CT 방법에 비해 약 30배 빠르다.
• 혼합 희소뷰 데이터로 학습된 네트워크가 48 및 96 뷰에서도 일반화되며 다양한 희소뷰 조건에서 강건한 성능을 제공한다.
• 정량적 결과(PSNR)는 각 뷰 수에서 제안된 방법이 다른 아키텍처를 능가함을 나타낸다.