Volume image is 3D data that is generated by stacking 2D slice images, and it has an advantage on 3D structure visualization and quantitative analysis. CT image is one of the volume images, and sometimes the image is acquired in low quality with long distance between slices to reduce noise and X-ray dose. Image interpolation is necessary for the low-quality image because it can be visualized discontinuously or cause an error in data analysis during image reconstruction to 3D. In this paper, we propose an interpolation method that infers and uses the information which is necessary for CT image interpolation from the high-resolution slice images through self-supervised learning. To do this, downscaled slice images are given as the input of the network, and the network recovers the original slice images from the downscaled images. The result of our method outperformed nearest-neighbor and trilinear interpolation and was similar to the supervised model with the same network. Among the networks, network using trilinear interpolation as the downscaling method and L2 loss with gradient loss produces the smoothest image. We hope this research contributes to the interpolation of volume data.
볼륨 데이터는 2차원 슬라이스 이미지를 쌓아 만든 3차원 데이터로, 3차원 구조를 시각화하거나 모델을 만들어 정량적인 분석이 가능하다는 장점이 있다. CT 이미지는 볼륨 데이터의 하나로, 노이즈와 방사선량을 줄이기 위해 슬라이스 이미지 사이의 거리가 넓은 저화질의 데이터를 얻을 경우가 있다. 이 경우 3차원으로 재구성할 때 불연속적으로 시각화가 되거나 정량적 분석의 오차를 유발할 수 있어 이미지 보간이 필요하다. 이 논문에서는 고화질의 정보를 담고 있는 슬라이스 이미지로부터 CT 이미지 보간에 필요한 정보를 자기지도학습으로 유추하는 방법을 통해 CT 이미지를 보간하는 방법을 제안하고자 한다. 이를 위하여 슬라이스 이미지를 축소하여 신경망의 입력값으로 넣고, 신경망은 이 이미지를 다시 원본 이미지로 복원하는 과정을 학습한다. 본 연구에서 제안하는 방법은 기존 최근접 이웃 보간법과 삼선형 보간법보다 성능이 좋았으며, 같은 모델을 이용하여 지도 학습으로 학습한 신경망 결과와 성능이 비슷했다. 제안하는 방법 중 이미지 축소 방법은 삼선형 보간법을, 손실함수는 L2 손실함수와 기울기 손실함수를 사용한 결과가 가장 매끄러운 이미지를 얻었다. 본 연구에서 제안한 CT 이미지의 보간법이 볼륨 데이터의 보간법에 도움이 될 것으로 기대한다.
