[논문 리뷰] Image Prediction for Limited-angle Tomography via Deep Learning with Convolutional Neural Network

Hanming Zhang, Liang Li외 5명|arXiv (Cornell University)|2016. 07. 29.

Medical Imaging Techniques and Applications참고 문헌 33인용 수 79

한 줄 요약

이 논문은 제한된 각도의 단층촬영(CT) 재구성에서 스테이크 아티팩트를 억제하기 위해 딥 컨volution 신경망(CNN) 기반의 방법을 제안한다. 이는 필터드 백프로젝션(FBP) 이미지에서 아티팩트가 없는 이미지로의 엔드 투 엔드 매핑을 학습함으로써 이루어진다. 제한된 각도 설정에서 FBP 아티팩트의 일관된 특성들을 활용하여 모델은 이러한 아티팩트를 효과적으로 추출하고 억제하며, 계산 비용을 최소화하면서도 영상 품질을 크게 향상시킨다.

ABSTRACT

Limited angle problem is a challenging issue in x-ray computed tomography (CT) field. Iterative reconstruction methods that utilize the additional prior can suppress artifacts and improve image quality, but unfortunately require increased computation time. An interesting way is to restrain the artifacts in the images reconstructed from the practical filtered back projection (FBP) method. Frikel and Quinto have proved that the streak artifacts in FBP results could be characterized. It indicates that the artifacts created by FBP method have specific and similar characteristics in a stationary limited-angle scanning configuration. Based on this understanding, this work aims at developing a method to extract and suppress specific artifacts of FBP reconstructions for limited-angle tomography. A data-driven learning-based method is proposed based on a deep convolutional neural network. An end-to-end mapping between the FBP and artifact-free images is learned and the implicit features involving artifacts will be extracted and suppressed via nonlinear mapping. The qualitative and quantitative evaluations of experimental results indicate that the proposed method show a stable and prospective performance on artifacts reduction and detail recovery for limited angle tomography. The presented strategy provides a simple and efficient approach for improving image quality of the reconstruction results from limited projection data.

연구 동기 및 목표

• 데이터 기반 접근을 통해 제한된 각도의 CT 재구성에서 스테이크 아티팩트 문제를 해결하기 위해.
• 제한된 각도 스캔에서 필터드 백프로젝션(FBP)에 특화된 아티팩트를 억제하는 딥 러닝 방법을 개발하기 위해.
• 반복적 재구성 방법에 의존하지 않고도 FBP 재구성 영상의 품질을 향상시키기 위해.
• 암시적 특징 학습을 활용하여 FBP 출력을 직접 아티팩트가 없는 영상으로 매핑하는 엔드 투 엔드 학습 프레임워크를 수립하기 위해.
• 전통적인 반복적 재구성 기법에 비해 빠르고 효율적이며 안정적인 제한된 각도 CT를 위한 대안을 제공하기 위해.

제안 방법

• 딥 컨volution 신경망(CNN)이 FBP 재구성 영상에서 아티팩트가 없는 영상으로의 엔드 투 엔드 매핑을 학습하도록 훈련된다.
• 네트워크는 제한된 각도 투영으로부터의 FBP 재구성 영상와 해당 진짜 영상(ground-truth)의 쌍 데이터를 기반으로 훈련된다.
• 아키텍처는 정적 제한된 각도 설정에서 FBP 아티팩트의 공간적 상관성과 일관된 특징을 활용한다.
• CNN 내부의 비선형 특징 학습을 통해 아티팩트 패턴을 명시적인 모델링 없이 암묵적으로 추출하고 억제할 수 있다.
• 이미징 시스템에 대한 사전 지식이나 반복 최적화가 필요 없어 계산 효율성이 높다.
• 훈련 과정은 예측 영상와 진짜 영상 간의 픽셀 단위 차이를 최소화하는 손실 함수를 사용하는 지도 학습 방식을 활용한다.

실험 결과

연구 질문

• RQ1 딥 CNN은 제한된 각도 CT의 FBP 재구성에서 스테이크 아티팩트를 효과적으로 억제할 수 있는가?
• RQ2 반복적 보정 없이도 제안된 방법이 기존 FBP에 비해 더 나은 아티팩트 감소 성능을 보일 수 있는가?
• RQ3 다양한 제한된 각도 설정 간에 네트워크가 일반화되어 미세한 해부학적 세부 정보를 유지할 수 있는가?
• RQ4 반복적 재구성 기법에 비해 제안된 방법은 계산적으로 효율적인가?
• RQ5 이미징 물리의 명시적 모델링 없이도 네트워크가 암묵적인 아티팩트 패턴을 학습할 수 있는가?

주요 결과

• 시각적 검토와 정량적 지표를 통해 다양한 제한된 각도 설정에서 스테이크 아티팩트가 크게 감소하는 것으로 확인되었다.
• 모델은 재구성 영상의 미세한 구조적 세부 정보를 유지하며, 영상 정밀도 측면에서 표준 FBP를 능가한다.
• 정량적 평가 결과, FBP 재구성에 비해 향상된 피크 신호 대 노이즈 비율(PSNR)과 구조적 유사성 지수-SSIM이 관찰되었다.
• 다양한 스캔 각도와 해부학적 구조에서 안정적인 성능을 보이며, 강건성을 입증하였다.
• 반복적 재구성보다 인퍼런스 속도가 빨라 실시간 또는 임상 적용에 적합하다.
• 예상치 못한 데이터에 대해서도 잘 일반화되어 다양한 제한된 각도 시나리오에서 아티팩트 패턴의 강력한 특징 학습 능력을 보였다.