[논문 리뷰] TorchRadon: Fast Differentiable Routines for Computed Tomography

Matteo Ronchetti|arXiv (Cornell University)|2020. 09. 29.

Medical Imaging Techniques and Applications참고 문헌 20인용 수 39

한 줄 요약

TorchRadon은 PyTorch에서 차별화 가능한 Radon 변환, 쉐어렛, 그리고 CT 해석기를 제공하는 CUDA 라이브러리로, Astra Toolbox에 비해 최대 125배의 속도 향상을 제공하고 신경망에 원활하게 통합될 수 있습니다.

ABSTRACT

This work presents TorchRadon -- an open source CUDA library which contains a set of differentiable routines for solving computed tomography (CT) reconstruction problems. The library is designed to help researchers working on CT problems to combine deep learning and model-based approaches. The package is developed as a PyTorch extension and can be seamlessly integrated into existing deep learning training code. Compared to the existing Astra Toolbox, TorchRadon is up to 125 faster. The operators implemented by TorchRadon allow the computation of gradients using PyTorch backward(), and can therefore be easily inserted inside existing neural networks architectures. Because of its speed and GPU support, TorchRadon can also be effectively used as a fast backend for the implementation of iterative algorithms. This paper presents the main functionalities of the library, compares results with existing libraries and provides examples of usage.

연구 동기 및 목표

• 깊은 학습과 모델 기반 CT 재구성을 결합하려는 동기를 제시합니다.
• PyTorch 학습 그래프에 통합되는 차별화 가능한 CT 연산자를 제공합니다.
• CT 루틴과 반복 알고리즘을 가속하는 빠른 GPU 백엔드를 제공합니다.

제안 방법

• 차별화 가능한 Radon 순방향/역방향 투영 및 쉐어렛 변환을 PyTorch autograd-호환 연산자로 구현합니다.
• 프로젝션(Radon, RadonFanbeam)과 배치 지원이 가능한 GPU 기반 Alpha 쉐어렛 모듈을 제공합니다.
• 신경망 내에서 사용할 수 있는 반복 해석기(CG, CGNE, Landweber) 및 규제 프레임워크(쉐어렛 기반)를 포함합니다.
• 속도와 정확도 이점을 입증하기 위해 Astra Toolbox와 AlphaTransforms와의 벤치마크를 수행합니다.
• 메모리 바운드 Radon 연산의 정확도를 유지하면서 GPU 텍스처를 활용한 반정밀도 저장을 시연합니다.

실험 결과

연구 질문

• RQ1 TorchRadon에서 구축된 차별화 가능한 CT 연산자가 Astra Toolbox 및 AlphaTransforms와 같은 기존 라이브러리와 비교할 때 속도와 정확도는 어떤가요?
• RQ2 Radon 투영, 쉐어렛 변환, CT 해석기가 코드 변경 없이 PyTorch 모델에 효과적으로 배치되고 통합될 수 있나요?
• RQ3 GPU 설정에서 반정밀도 저장이 CT 재구성 정확도와 속도에 어떤 영향을 미치나요?
• RQ4 end-to-end 차별화 가능성을 갖춘 하이브리드 딥러닝/모델 기반 CT 재구성 워크플로우(예: ADMM, unrolled 네트워크)를 TorchRadon이 가속시킬 수 있나요?

주요 결과

• TorchRadon은 온-GPU 배치 처리 및 메모리 효율적인 텍스처 덕분에 Astra Toolbox보다 앞으로의 Radon 순방향/역방향이 최대 125배 더 빠릅니다.
• 배치 처리와 GPU 기반 커널 덕분에 TorchRadon은 CPU/GPU 기준선보다 큰 폭으로 성능을 개선합니다(일부 배치 시나리오에서 40배 이상 속도 향상).
• 반정밀도 저장은 Radon 변환 및 FBP 재구성에서 정확도 손실 없이 큰 속도 향상을 제공합니다(2.5배 이상).
• TorchRadon의 쉐어렛 구현은 AlphaTransforms와 매우 작은 상대 계수 오차(단일 정밀도에서 최대 3.86e-7) 및 거의 동일한 재구성(≈6e-16 상대 오차)을 보입니다.
• FBP 및 반복 해석기(CGNE, Landweber)는 기준선 대비 경쟁력 있는 또는 우수한 MSE/정확도 지표를 제공합니다; 예를 들어, FBP MSE 2.22e-4 vs 2.02e-4(Astra) 및 CGNE가 한 벤치마크에서 4.42e-5를 달성합니다.
• 라이브러리는 PyTorch Autograd와 원활하게 통합되어, 학습 코드를 수정하지 않고도 신경망 모델 내에서 차별화 가능한 CT 연산자를 사용할 수 있게 합니다.