영역 및 작업 전환을 통한 저용량 CT 영상 재구성 개선 가우시안 노이즈 제거기

저선량 컴퓨터 단층 촬영(LDCT)에서 고노이즈 투사 데이터로 인해 재구성은 어려움을 겪고 있습니다. LDCT 이미지 재구성을 위한 일반적인 접근 방식은 두 단계 방법으로, 필터링된 역투영(FBP) 알고리즘과 신경망을 조합하여 LDCT 이미지를 개선하는 과정을 포함합니다. 두 단계 방법은 그 간단함과 계산 효율성의 잠재력 때문에 매력적이며, 추론 시 일반적으로 단일 FBP와 신경망의 전방향 패스만 필요합니다. 그러나 현재 가장 뛰어난 재구성 품질은 전개된 반복 방법(학습된 프라이멀-듀얼 및 ItNet)에 의해 달성되고 있으며, 이는 복잡하고 따라서 학습과 추론에 더 높은 계산 비용이 필요합니다.우리는 두 단계 방법의 간단함과 효율성, 그리고 최신의 재구성 품질을 결합한 방법을 제안합니다. 우리의 전략은 자연 회색조 이미지에서 가우시안 노이즈를 제거하기 위해 사전 학습된 신경망을 사용하여 LDCT 이미지 개선에 미세 조정(fine-tuning)하는 것입니다. 우리는 이 방법을 FBP-DTSGD (Domain and Task Shifted Gaussian Denoisers, 영역 및 작업 변환 가우시안 노이즈 제거기)라고 명명하였습니다. 이는 가우시안 노이즈 제거에서 LDCT 이미지 개선으로의 작업 변환과 자연 회색조 이미지에서 LDCT 이미지로의 영역 변환을 의미합니다.세 가지 다른 사전 학습된 가우시안 노이즈 제거기를 사용한 점진적 연구(ablation study) 결과, FBP-DTSGD의 성능이 특정 노이즈 제거 아키텍처에 의존하지 않는다는 것을 확인할 수 있었습니다. 이는 가우시안 노이즈 제거 기술의 미래 발전이 해당 방법에 유익할 수 있음을 시사합니다. 또한 연구 결과는 자연 이미지에서의 사전 학습이 특히 한정된 학습 데이터가 있는 경우 LDCT 재구성 품질을 향상시키는 것으로 나타났습니다. 주목할 만한 점은 사전 학습에 추가 비용이 들지 않는다는 것입니다. 기존의 사전 학습 모델을 활용하기 때문입니다.제안된 방법은 현재 LoDoPaB-CT 챌린지에서 평균 순위 1위를 차지하고 있습니다.