다중 프레임 및 다중 마스크 기법을 활용한 비지도 학습 기반의 저선량 컴퓨터 단층 촬영 노이즈 제거 프레임워크

Abstract

본 연구의 목적은 저선량 전산화 단층 촬영(LDCT) 영상의 노이즈를 효과적 으로 제거하고 선명도를 향상하여 영상 품질을 개선하는 것을 목표로 한다. LDCT 영상은 환자의 방사선 노출 위험을 최소화하기 위해 중요한 영상 기술 이다. 그러나 높은 노이즈 수준으로 인해 영상 품질이 심각하게 저하되며, 정 확한 진단과 치료에 어려움을 겪게 된다. 최근에는 딥러닝 기술 중에서도 특 히 지도 학습 방법이 LDCT 영상의 노이즈 제거 작업에 있어 강력한 도구로 인정받고 있다. 그러나 이러한 방법은 저품질의 노이지 영상과 고품질의 깨끗 한 영상의 짝지은 데이터 세트가 필요하며, 이는 실제 임상 상황에서 매우 어 려운 작업이다. 본 연구에서는 이러한 문제를 해결하기 위해 비지도 학습 기반의 두 단계 학 습으로 구성된 노이즈 제거 프레임워크를 제안한다. 멀티 패치 기반의 저선량 LDCT 영상 노이즈 제거 방법을 적용하여 영상 품질을 개선하고, LDCT 영상의 선명도를 향상시킨다. 첫 번째 단계에서는 초기 노이즈 제거 네트워크인 multi-scale attention U-Net(MSAU-Net)을 자기 지도 학습 방식으로 훈련하여 다중 슬라이스 입력과 함께 노이즈가 억제된 가운데 슬라이스를 예측한다. 두 번째 단계에서는 사전 훈련된 MSAU-Net을 기반으로 U-Net 기반 최종 노이즈 제거 네트워크를 훈련해 새로운 다중 패치 및 다중 마스크 매칭 손실을 도입 하여 영상 품질을 향상한다. 임상 및 동물 데이터의 다른 도메인에서 정성적 및 정량적 측정 결과 비교를 통해, 제안된 방법은 기존의 모든 비지도 학습 기반 알고리즘보다 우수한 성 능을 보여주었다. 또한, 어떠한 깨끗한 이미지 없이도 지도 학습 방법과 비슷 한 노이즈 제거 성능을 달성했다. 이를 통해 제안된 방법이 LDCT 영상의 노이즈 제거에 효과적인 해결책이 될 수 있음을 보여준다. 이 연구는“MM-net: Multi-frame and Multi-mask-based Unsupervised Deep Denoising for LDCT” 라는 제목의 논문으로 2023년 IEEE Transactions on Radiation and Plasma Medical Sciences에 출판되었다. 해당 논문은 제7권 3호에서 1-12페이지에 수 록되어 있다.;The purpose of the study is to present an unsupervised learning-based framework for noise removal in low-dose computed tomography (LDCT) images. LDCT is crucial due to the risk of radiation exposure to patients. to patients. However, the high noise level in LDCT images may reduce the image quality, leading to a less accurate diagnosis. Therefore, the aim of the study is to effectively remove noise and improve image quality in LDCT images. Deep-learning technology, especially supervised methods, has recently been widely accepted as a powerful tool for LDCT image denoising tasks. However, supervised methods require numerous paired datasets of LDCT and high-quality pristine CT images, which are rarely available in real-world clinical scenarios. This study presents an unsupervised learning-based framework, consisting of two training steps for a volumetric LDCT denoising task. In the two-step training approach, we first train the initial denoising network multi-scale attention U-Net (MSAU-Net) in a self-supervised manner to predict the noise-suppressed center slice with a neighboring multi-slice input. The second training step aims to train the U-Net-based final denoiser based on the pre-trained MSAU-Net to improve the image quality by introducing new multi-patch and multi-mask matching loss. Qualitative visual inspection and quantitative measures across texturally different domains of clinical and animal data reveal that the proposed method outperformed all competing state-of-the-art unsupervised algorithms. The unsupervised method also achieved denoising performance comparable to the representative supervised methods trained with ground truth images. This study titled “MM-net: Multi-frame and Multi-mask-based Unsupervised Deep Denoising for LDCT” has been published in the IEEE Transactions on Radiation and Plasma Medical Sciences in 2023. The paper is included in Volume 7, No. 3, pp. 1-12.