Radiography is a medical imaging technique that is essential when diagnosing a patient's condition. Among various types of radiography, there are computed tomography (CT), which uses X-rays to obtain three-dimensional images, and mammography, which can obtain two-dimensional images. These measure the intensity of X-rays which are reduced after passing through the patient, as the absorption of X-rays varies depending on the components that make up the body's various organs. Unlike surgery, it has the advantage of offering non-invasive viewing of the inside of the body, but it also runs the risk of radiation exposure. Therefore, active studies are underway to increase the safety of radiography. Typically, there are low-dose X-ray radiography techniques that reduce the number of photons in the X-ray beam. In addition, there are techniques that reduce the number of projections in X-ray CT or reduce the area irradiated by X-rays. This dissertation discusses image-restoration algorithms for low-dose medical radiography. Low-dose radiography has a low probability to be measured, but this increases the likelihood that noise will be added, and such noise will have a negative effect on the diagnosis of the patient's condition or the disease. The conventional method for improving the image quality of degraded low-dose radiographic images is the model-based iterative reconstruction (MBIR) method, which uses optimization techniques to obtain a clear image after the measurement acquisition process. However, it is computationally expensive given its long reconstruction time, and its performance is somewhat limited. In this study, we propose a deep convolutional neural network (CNN) to improve the performance of image-denoising algorithms. Deep CNNs are commonly used in the area of image processing, and their performance capabilities are significantly improved compared to existing methods. In the medical imaging area, deep CNNs are applied to studies of lesion segmentation or detection, though they are rarely applied to image restoration. First, we proposed a deep CNN structure which is suitable for low-dose CT and optimal learning conditions. It is difficult to understand the role of the network in existing CNN-based image processing methods, but fortunately we can understand its role by considering a theory related to deep convolutional framelets. With this theory, it is possible to improve the performance of an image-denoising algorithm by combining a frame-based iterative algorithm of which convergence is proved with a deep CNN. These techniques are deep CNNs based on supervised learning applicable only when the training dataset is perfectly matched between the input images and the target images. However, in actual clinical situations, two radiographs are required to obtain matched data, though this is difficult due to safety issues. It is also difficult to achieve perfect matching due to the patient's motion. With regard to cardiac imaging, it is impossible to obtain matched data due to cardiac motion. Therefore, image-denoising algorithms using unmatched data are necessary to obtain a clear image with various types of low-dose radiography. Here, we propose an image-denoising algorithm that utilizes cyclic consistency based on unsupervised learning and confirm that it is robust to the noise level and to the patient's motion.
의료 방사선 촬영은 환자의 상태를 진단하기 위해 반드시 필요한 의료 영상 촬영 기법이다. 여러 종류의 방사선 중 대표적으로 엑스선을 활용하여 3차원 영상을 얻는 컴퓨터 단층 촬영과 2차원 영상을 얻는 유방 조영술 등이 있다. 환자의 환부에 엑스선을 조사한 후 검출기를 통해 줄어든 엑스선의 세기를 측정하는 방법으로, 신체를 구성하는 여러 기관들을 구성하는 성분에 따라 엑스선을 흡수하는 정도가 달라지기 때문에 신체 내부의 영상을 얻을 수 있다. 수술과 달리 비침습적으로 신체 내부를 볼 수 있다는 장점이 있지만 방사선을 사용하여 촬영하기 때문에 피폭될 수 있다는 단점이 있다. 따라서 의료 방사선 촬영의 안전성을 높이기 위한 연구들이 활발히 진행되고 있다. 대표적으로 엑스선의 광자수을 줄이는 저 선량 방사선 촬영 기법이 있으며, 이외에 컴퓨터 단층 촬영에서 촬영 횟수를 줄이는 기법 혹은 엑스선이 조사되는 영역을 줄이는 기법 등이 있다. 본 학위논문에서는 저 선량 방사선 촬영 영상의 화질 개선 알고리즘에 대해 다루고자 한다. 저 선량 방사선 촬영을 통해 얻는 영상은 엑스선이 환자의 환부를 통과하여 측정될 확률이 낮아지므로 잡음이 발생하며, 이렇게 영상에 포함된 잡음은 환자의 상태를 파악하거나 질병을 진단하는 것에 부정적인 영향을 준다. 이와 같이 저하된 저 선량 방사선 촬영 영상의 화질을 개선하기 위한 기존의 방법으로는, 촬영 과정을 수학적으로 모델링한 후 최적화 기법을 적용하여 화질이 개선된 영상을 얻는 모델 기반의 반복적 복원 기법이 있다. 하지만 연산량이 많아서 복원시간이 길다는 단점이 있으며, 그 성능 또한 정점에 도달하였다는 평가를 받는다. 본 연구에서는 향상된 성능의 영상 잡음 제거 알고리즘 개발을 위한 방법으로 깊은 컨볼루션 신경망 기법의 적용을 제안한다. 깊은 컨볼루션 신경망은 영상 처리 분야에서 상용화되고 있으며, 그 성능 또한 기존의 방법에 비해 상당히 향상되고 있다. 의료 영상 분야에서는 병변 분할 혹은 검출에 대한 연구들에 많이 적용되었으며, 영상 복원에는 적용된 경우가 희박하다. 우선 저 선량 컴퓨터 단층 촬영에 적합한 깊은 컨볼루션 신경망 구조를 제안하며, 최적의 지도 학습 조건을 제시한다. 또한, 기존의 깊은 컨볼루션 신경망을 이용한 영상처리방법에서는 신경망의 역할에 대해 이해하기 어려웠으나, 깊은 컨볼루션 프레임렛 이론을 기반으로 신경망의 역할을 이해할 수 있게 되었다. 이를 응용하여 수렴이 증명된 프레임 기반 반복적 기법과 깊은 컨볼루션 신경망 기법을 결합하여 잡음제거 성능을 향상시킬 수 있다. 이와 같은 기법들은 학습 데이터가 입력영상과 목표영상이 완벽히 매칭되어 있어야만 적용가능한 지도 학습 기반의 깊은 컨볼루션 신경망 기법들이다. 하지만 실제 의료현장에서 매칭된 데이터를 얻기 위해서는 두 번의 엑스선 촬영이 필요한데, 이는 안전성 문제로 인해 불가능하며, 실제적으로 환자의 움직임으로 인해 완벽한 매칭을 이루기는 어렵다. 심장의 상태를 확인하기 위해 촬영하는 방사선 촬영의 경우 심장의 움직임으로 인해 매칭된 데이터를 얻는 것을 불가능하다. 따라서 비매칭된 데이터에도 적용가능한 저 선량 방사선 촬영 영상의 화질을 개선하는 알고리즘 또한 필요하다. 비지도학습 기반의 주기 일관성을 활용한 영상 잡음 제거 알고리즘을 제안하며, 비매칭된 데이터로 움직임과 영상에 포함된 잡음의 정도에도 강건한 성능을 보이는 신경망의 학습이 가능하다는 것을 확인하였다.
