[논문 리뷰] Framing U-Net via Deep Convolutional Framelets: Application to Sparse-view CT

Yoseob Han, Jong Chul Ye|arXiv (Cornell University)|2017. 08. 28.

Medical Imaging Techniques and Applications참고 문헌 46인용 수 32

한 줄 요약

이 논문은 심층 합성곱 프레임릿 이론에서 프레임 조건을 만족하는 이중 프레임 및 타이트 프레임 U-Net 아키텍처를 제안하여 희소 복사 CT 재구성에서 고주파 에지 복원을 향상시킨다. U-Net에 추가적인 스케일 연결 또는 직교 웨이블릿 경로를 적용함으로써 블러링 및 스트리핑 잡음이 감소하여, 표준 U-Net 및 AAPM 경쟁 우승 방법에 비해 실제 환자 데이터에서 우수한 PSNR(40.51 dB)와 SSIM(0.943) 성능을 달성한다.

ABSTRACT

X-ray computed tomography (CT) using sparse projection views is a recent approach to reduce the radiation dose. However, due to the insufficient projection views, an analytic reconstruction approach using the filtered back projection (FBP) produces severe streaking artifacts. Recently, deep learning approaches using large receptive field neural networks such as U-Net have demonstrated impressive performance for sparse- view CT reconstruction. However, theoretical justification is still lacking. Inspired by the recent theory of deep convolutional framelets, the main goal of this paper is, therefore, to reveal the limitation of U-Net and propose new multi-resolution deep learning schemes. In particular, we show that the alternative U- Net variants such as dual frame and the tight frame U-Nets satisfy the so-called frame condition which make them better for effective recovery of high frequency edges in sparse view- CT. Using extensive experiments with real patient data set, we demonstrate that the new network architectures provide better reconstruction performance.

연구 동기 및 목표

• 표준 U-Net이 희소 복사 CT 재구성에서 틀 조건를 만족하지 못해 저주파 성분에 과도하게 집중되어 블러링이 발생하는 한계를 해결하기 위해.
• 심층 합성곱 프레임릿 이론을 기반으로 한 딥러닝 기반 CT 재구성을 이론적으로 정당화하고, 하 Hankel 행렬 분해를 통해 U-Net을 압축 감지 이론과 연결하기 위해.
• 더 높은 고주파 성분 복원을 위해 틀 조건를 만족하는 새로운 U-Net 변종—이중 프레임 및 타이트 프레임 U-Net—을 개발하기 위해.
• 기존의 딥러닝 및 압축 감지 방법에 비해 실제 환자 데이터에서 병변 탐지 및 잡음 억제 측면에서 향상된 성능을 입증하기 위해.

제안 방법

• 저해상도 경로에 비스킷 연결을 추가하여 잔여 신호를 생성함으로써 이중 프레임 U-Net을 제안하여, 틀 조건가 만족하도록 보장한다.
• 예를 들어 하르 웨이블릿을 포함한 직교 웨이블릿 프레임을 사용하여 고주파 경로를 추가함으로써 노이즈에 대한 강건성과 방향 감도를 향상시킨 타이트 프레임 U-Net을 도입한다.
• 심층 합성곱 프레임릿 프레임워크를 CT 재구성에 적응시켜, 해시안 행렬 분해에서 기인하는 인코더-디코더 아키텍처를 도출한다.
• 특히 고주파 에지에 대해 안정적이고 효과적인 신호 재구성을 보장하기 위해, 틀 조건를 이론적 제약 조건으로 활용한다.
• 프레임릿 분해의 수학적 일관성을 확보하기 위해, 일반화된 역행렬을 사용한 평균 풀링을 특징 전환에 적용한다.
• 이론적 분석과 실제 희소 복사 CT 데이터에 대한 수치 실험을 통해 틀 조건 만족 여부를 검증한다.

실험 결과

연구 질문

• RQ1 표준 U-Net 아키텍처는 희소 복사 CT 재구성에서 안정적인 역문제 해결을 위해 요구되는 틀 조건를 만족하는가?
• RQ2 딥러닝 아키텍처를 어떻게 수정하여 희소 복사 CT에서 고주파 에지를 더 잘 복원하면서도 블러링 잡음을 최소화할 수 있는가?
• RQ3 이중 프레임 및 타이트 프레임 U-Net 변종은 실제 환자 데이터에서 PSNR, SSIM 및 병변 탐지 정확도 측면에서 표준 U-Net을 초월할 수 있는가?
• RQ4 틀 조건는 저선량, 희소 복사 CT에서 노이즈 증폭과 재구성 정밀도에 어떤 영향을 미치는가?
• RQ5 표준 U-Net에 비해 웨이블릿 기반 프레임 구조는 CT 영상 재구성에서 강건성과 방향 감도를 향상시킬 수 있는가?

주요 결과

• 제안된 타이트 프레임 U-Net은 90-view 전량 복사 희소 복사 CT 재구성에서 PSNR 40.5091 dB, SSIM 0.9434를 달성하여, 비국소 평균(34.03 dB, 0.8389) 및 AAPM-Net(38.35 dB, 0.8872)을 모두 능가했다.
• 이중 프레임 U-Net은 틀 조건를 만족했고 블러링 잡음을 감소시켰지만, 타이트 프레임 변종에 비해 더 높은 노이즈 증폭을 보였다.
• 타이트 프레임 U-Net은 희소 복사에서 기인하는 스트리핑 잡음과 저선량 노이즈를 효과적으로 제거하여, 1/4 선량 영상에서도 명확한 병변 탐지가 가능했다.
• 비국소 평균 또는 AAPM-Net은 블러링으로 인해 병변 영역을 복원하지 못했지만, 타이트 프레임 U-Net은 병변 탐지 성능에서 뚜렷한 우수성을 보였다.
• 이론적 분석을 통해 표준 U-Net이 틀 조건를 만족하지 못함을 확인하여, 저주파 성분에 과도하게 집중되고 고주파 성분 복원이 열악한 결과를 초래함을 입증했다.
• 특히 전역적 스트리핑 잡음을 다룰 때, 직교 웨이블릿 프레임을 통합함으로써 제안된 아키텍처는 향상된 강건성과 방향 감도를 보였다.