[논문 리뷰] Wavelet Domain Residual Network (WavResNet) for Low-Dose X-ray CT Reconstruction

Eun‐Hee Kang, Junhong Min외 1명|arXiv (Cornell University)|2017. 03. 04.

Advanced X-ray and CT Imaging인용 수 4

한 줄 요약

이 논문은 저선량 X선 CT 재구성용 웨이블릿 도메인 잔차 신경망인 WavResNet을 제안하며, 방향성 웨이블릿 계수에서 직접 잡음을 추정하고 제거함으로써 기존의 딥러닝 및 MBIR 방법에 비해 질감 유지 및 영상 품질을 크게 향상시킨다.

ABSTRACT

Model based iterative reconstruction (MBIR) algorithms for low-dose X-ray CT are computationally complex because of the repeated use of the forward and backward projection. Inspired by this success of deep learning in computer vision applications, we recently proposed a deep convolutional neural network (CNN) for low-dose X-ray CT and won the second place in 2016 AAPM Low-Dose CT Grand Challenge. However, some of the texture are not fully recovered, which was unfamiliar to some radiologists. To cope with this problem, here we propose a direct residual learning approach on directional wavelet domain to solve this problem and to improve the performance against previous work. In particular, the new network estimates the noise of each input wavelet transform, and then the de-noised wavelet coefficients are obtained by subtracting the noise from the input wavelet transform bands. The experimental results confirm that the proposed network has significantly improved performance, preserving the detail texture of the original images.

연구 동기 및 목표

• 이전의 딥러닝 모델이 저선량 CT 영상에서 미세한 질감을 복원하는 데에 한계를 보이고 있는 문제를 해결하기 위해.
• 모델 기반 반복 재구성(MBIR)의 계산 부담을 줄이면서도 영상 품질을 유지하기 위해.
• 저선량 스캔에서 자주 손실되는 질감 세부 정보를 복원함으로써 방사선 영상 진단의 신뢰도를 높이기 위해.
• 더 효과적인 잡음 모델링을 위해 웨이블릿 도메인에서 직접 작동하는 딥러닝 프레임워크를 개발하기 위해.

제안 방법

• 네트워크는 입력된 저선량 CT 영상을 다중 척도 및 다중 방향의 하위대역으로 분해하기 위해 방향성 웨이블릿 도메인에서 작동한다.
• 딥 컨volution 신경망을 사용하여 각 웨이블릿 하위대역에 존재하는 잔차 잡음을 추정한다.
• 예측된 잡음을 입력 웨이블릿 계수에서 빼서 노이즈 제거된 웨이블릿 계수를 확보한다.
• 노이즈 제거된 계수에 역웨이블릿 변환을 적용하여 최종 재구성 영상을 얻는다.
• 재구성 영상과 기준 고선량 영상 간의 차이를 최소화하도록 엔드 투 엔드로 아키텍처를 훈련시킨다.
• 웨이블릿 표현의 희박성 특성을 활용하여 잡음 억제 및 세부 정보 복원을 향상시킨다.

실험 결과

연구 질문

• RQ1 웨이블릿 도메인에서 작동하는 딥 잔차 신경망이 저선량 CT 재구성에서 질감 유지에 기여할 수 있는가?
• RQ2 영상 품질과 잡음 억제 측면에서 웨이블릿 도메인 잔차 학습은 공간 도메인 학습보다 어떻게 비교되는가?
• RQ3 웨이블릿 기반 잡음 모델링이 얼마나 효과적으로 잡음과 기계적 잔상(아티팩트)을 줄이고 미세한 해부학적 세부 정보를 유지할 수 있는가?
• RQ4 제안된 방법이 기존의 전통적 MBIR 및 이전의 딥러닝 접근법보다 저선량 CT 재구성에서 뛰어난 성능을 보일 수 있는가?

주요 결과

• 제안된 WavResNet은 이전의 딥러닝 모델에 비해 더 나은 질감 유지 능력을 통해 영상 품질을 크게 향상시킨다.
• 네트워크는 잡음과 잔상 수준을 낮춘 저선량 CT 영상 재구성에서 뛰어난 성능을 달성한다.
• 웨이블릿 도메인 잔차 학습 접근법은 더 효과적인 잡음 모델링을 가능하게 하여 더 높은 진단 정밀도를 제공한다.
• 이 방법은 질감 복원 및 시각적 품질 측면에서 저자들의 이전 CNN 기반 접근법과 전통적 MBIR보다 뛰어난 성능을 보였다.