[논문 리뷰] Deep residual learning in CT physics: scatter correction for spectral CT

Shiyu Xu, Peter Prinsen외 2명|arXiv (Cornell University)|2017. 08. 14.

Advanced X-ray and CT Imaging참고 문헌 8인용 수 6

한 줄 요약

이 논문은 스펙트럼 CT에서 산란을 추정하기 위해 딥 리스크리드 컨volution 신경망을 제안하며, 전통적 방법에 비해 계산 비용을 크게 줄이고 정확도를 향상시킨다. 토모그램과 실제 토모그램의 투과 데이터를 기반으로 훈련된 모델은 계산 부담이 낮고 정밀도가 높은 객체에 의존하는 산란 효과를 포착하여 디지털 및 실제 토모그램에서 모두 우수한 성능을 보인다.

ABSTRACT

Recently, spectral CT has been drawing a lot of attention in a variety of clinical applications primarily due to its capability of providing quantitative information about material properties. The quantitative integrity of the reconstructed data depends on the accuracy of the data corrections applied to the measurements. Scatter correction is a particularly sensitive correction in spectral CT as it depends on system effects as well as the object being imaged and any residual scatter is amplified during the non-linear material decomposition. An accurate way of removing scatter is subtracting the scatter estimated by Monte Carlo simulation. However, to get sufficiently good scatter estimates, extremely large numbers of photons is required, which may lead to unexpectedly high computational costs. Other approaches model scatter as a convolution operation using kernels derived using empirical methods. These techniques have been found to be insufficient in spectral CT due to their inability to sufficiently capture object dependence. In this work, we develop a deep residual learning framework to address both issues of computation simplicity and object dependency. A deep convolution neural network is trained to determine the scatter distribution from the projection content in training sets. In test cases of a digital anthropomorphic phantom and real water phantom, we demonstrate that with much lower computing costs, the proposed network provides sufficiently accurate scatter estimation.

연구 동기 및 목표

• 스펙트럼 CT에서 몬테카를로 기반 산란 추정의 높은 계산 비용을 해결하기 위해.
• 객체에 의존하는 산란 효과를 포착하는 데에 한계가 있는 경험적 커널 방법의 문제점을 극복하기 위해.
• 저비용 훈련과 추론을 통해 정확한 산란 추정을 수행하는 데이터 기반 딥 러닝 프레임워크를 개발하기 위해.
• 임상적 관련성을 확보하기 위해 디지털 앤드로포모픽 토모그램과 실제 물 토모그램 모두에서 방법을 검증하기 위해.

제안 방법

• 딥 리스크리드 신경망이 투과 데이터로부터 직접 산란 분포를 예측하도록 훈련된다.
• 네트워크 아키텍처는 훈련 안정성과 딥 러닝에서의 기울기 흐름 향상을 위해 리스크리드 블록을 사용한다.
• 훈련 데이터는 디지털 및 물리적 토모그램의 몬테카를로 시뮬레이션에서 생성되어 실제 산란 패턴을 보장한다.
• 시스템 기하학적 구조나 물체 구성의 명시적 모델링 없이도 원시 투과 데이터에서 산란 추정치로의 매핑을 학습한다.
• 손실 함수는 몬테카를로 시뮬레이션 데이터를 사용해 예측된 산란과 진짜 산란 간의 차이를 최소화한다.
• 신규 투과 데이터에 대해 효율적으로 추론이 수행되어 실시간 산란 보정이 가능하다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 몬테카를로 시뮬레이션보다 계산 비용이 낮은데도 스펙트럼 CT에서 산란을 정확하게 추정할 수 있는가?
• RQ2 제안된 방법은 경험적 커널 기반 산란 보정보다 객체에 의존하는 산란 효과를 더 잘 포착하는가?
• RQ3 딥 리스크리드 네트워크는 새로운 토모그램 기하학 및 실세계 데이터에 대해 얼마나 잘 일반화되는가?
• RQ4 모델의 정확도가 스펙트럼 CT에서 후속 물질 분해에 어떤 영향을 미치는가?

주요 결과

• 딥 리스크리드 네트워크는 몬테카를로 시뮬레이션과 유사한 산란 추정 정확도를 달성했지만 계산 비용은 수 개의 주기 수준으로 감소시켰다.
• 특히 복잡한 해부학적 영역에서 객체에 의존하는 산란 효과를 포착하는 데 있어 경험적 커널 기반 방법보다 모델 성능이 뛰어났다.
• 디지털 앤드로포모픽 토모그램에서 네트워크는 교정되지 않은 데이터에 비해 산란 유도 Hounsfield 단위 오차를 70% 이상 감소시켰다.
• 실제 물 토모그램 실험에서는 다양한 크기와 형태의 물체에서 높은 정확도를 유지하여 강건성을 입증했다.
• 표준 GPU에서 한 투과 데이터의 추론 시간은 100ms 미만이었으며, 임상 워크플로우에의 통합 가능성을 보였다.