[논문 리뷰] Robust X-ray Sparse-view Phase Tomography via Hierarchical Synthesis Convolutional Neural Networks

Ziling Wu, Abdulaziz Alorf외 3명|arXiv (Cornell University)|2019. 01. 30.

Advanced X-ray Imaging Techniques참고 문헌 42인용 수 10

한 줄 요약

이 논문은 희박한 시야 X선 투과 단층촬영에서 강건한 성능을 내기 위해 계층적 합성 컨volution 신경망(HSCNN)을 제안한다. 학습 중에 표본 추출 편향에 영향을 받는 이미지 밴드를 분리하고 계층적으로 재구성하여 과적합과 네트워크 복잡도를 감소시킨다. 이 방법은 계산 비용을 크게 낮추면서도 재구성 품질은 유사하거나 향상시켜 시뮬레이션 및 실험 데이터를 바탕으로 한 희박한 시야 및 상반색 이미징 시나리오에서 검증되었다.

ABSTRACT

Convolutional Neural Networks (CNN) based image reconstruction methods have been intensely used for X-ray computed tomography (CT) reconstruction applications. Despite great success, good performance of this data-based approach critically relies on a representative big training data set and a dense convoluted deep network. The indiscriminating convolution connections over all dense layers could be prone to over-fitting, where sampling biases are wrongly integrated as features for the reconstruction. In this paper, we report a robust hierarchical synthesis reconstruction approach, where training data is pre-processed to separate the information on the domains where sampling biases are suspected. These split bands are then trained separately and combined successively through a hierarchical synthesis network. We apply the hierarchical synthesis reconstruction for two important and classical tomography reconstruction scenarios: the spares-view reconstruction and the phase reconstruction. Our simulated and experimental results show that comparable or improved performances are achieved with a dramatic reduction of network complexity and computational cost. This method can be generalized to a wide range of applications including material characterization, in-vivo monitoring and dynamic 4D imaging.

연구 동기 및 목표

• 대규모 훈련 데이터 세트에서 표본 추출 편향으로 인한 딥 CNN 기반 X선 CT 재구성에서의 과적합 문제를 해결하기 위해.
• 이미지 품질을 희생시키지 않고도 희박한 시야 및 상반색 투과 단층촬영 재구성에서 네트워크 복잡도와 계산 비용을 줄이기 위해.
• 저선량 및 동적 4D 영상 응용 분야에 적합한 강건하고 일반화 가능한 프레임워크를 개발하기 위해.
• 표본 추출 편향이 의심되는 영역을 분리하여 별도로 처리한 후 계층적 합성을 수행하기 위해.
• 경량이고 계층적인 네트워크 아키텍처를 통해 제한된 각도 또는 희박한 시야 투영에서 고해상도 재구성을 가능하게 하기 위해.

제안 방법

• 표본 추출 편향이 포함될 가능성이 있는 것으로 의심되는 이미지 밴드를 분리하기 위해 훈련 데이터를 사전 처리한다.
• 각 사전 처리된 밴드에 대해 별도의 서브넷을 학습시켜 도메인 특화된 특징을 독립적으로 학습시킨다.
• 개별 서브넷의 출력을 순차적으로 조합하기 위해 계층적 합성 네트워크를 사용한다.
• HSCNN 프레임워크를 희박한 시야 재구성 및 상반색 투과 단층촬영 작업에 적용한다.
• 계층적 구조를 활용해 파라미터 공유를 줄이고 편향된 데이터에서 발생하는 과적합을 완화한다.
• 구조적 무결성을 유지하기 위해 가분성 있는 합성 프로세스를 통해 네트워크를 종합적으로 최적화한다.

실험 결과

연구 질문

• RQ1 표본 추출 편향이 의심되는 이미지 밴드를 계층적으로 처리하면 희박한 시야 X선 CT 재구성에서의 강건성 향상에 기여하는가?
• RQ2 편향된 이미지 밴드에 대해 별도로 학습시키면 딥 CNN 기반 재구성에서 과적합이 감소하는가?
• RQ3 계층적 합성 네트워크는 상당히 감소된 모델 복잡도로도 유사하거나 더 나은 성능을 달성할 수 있는가?
• RQ4 제한된 투영 데이터를 가진 상반색 투과 단층촬영에서 HSCNN 방법은 어떻게 성능을 발휘하는가?
• RQ5 제안된 방법은 동적 4D 영상 및 재료 특성 분석에 얼마나 일반화될 수 있는가?

주요 결과

• HSCNN 방법은 시뮬레이션 및 실험적 희박한 시야 CT 데이터에서 표준 CNN과 유사하거나 더 나은 재구성 품질을 달성한다.
• 계층적 밴드별 학습 전략 덕분에 네트워크 복잡도와 계산 비용이 크게 감소한다.
• 표본 추출 편향이 있는 밴드를 분리하고 별도로 학습시킴으로써 과적합을 효과적으로 완화한다.
• 상반색 투과 단층촬영 결과는 기준 방법 대비 더 나은 구조적 보존과 더 적은 잡음 요소를 보여준다.
• 강건성과 효율성 덕분에 이 프레임워크는 생체 내 모니터링 및 동적 4D 영상 등 다양한 응용 분야에 잘 일반화된다.
• 제거 실험 결과는 종단 간 완전 연결 네트워크보다 계층적 합성이 더 나은 특징 학습과 일반화를 이끌어낸다는 것을 확인한다.