In X-ray computed tomography (CT) reconstruction, different filter kernels are used for different structures being emphasized. Since the raw sinogram data is usually removed after reconstruction, in case there are additional requirements for reconstructed images with other types of kernels that were not previously generated, the patient may need to be scanned again. Accordingly, there exists increasing demand for post-hoc image domain conversion from one kernel to another without sacrificing the image content. In this paper, we propose a novel unsupervised kernel conversion method using cycle-consistent generative adversarial network (cycleGAN) with adaptive instance normalization (AdaIN). In contrast to the existing deep learning approaches for kernel conversion, our method does not require paired dataset for training. In addition, our network can not only translate the images between two different kernels but also generate images on every interpolating path along an optimal transport between the two kernel image domains, enabling synergestic combination of the two filter kernels. Experimental results confirm the advantages of the proposed algorithm.
엑스레이 컴퓨터 단층촬영 영상을 복원할 때에는 보고자 하는 구조물의 종류에 따라 다양한 커널들을 사용한다. 영상의 복원 이후에는 보통 사이노그램 데이터를 제거하기 때문에, 만약 기존에 영상 복원에 사용했던 커널이 아닌 새로운 종류의 커널로 복원된 영상을 봐야 하는 필요성이 생긴다면 환자의 영상 재촬영이 요구된다. 따라서, 이미지 영역에서 영상의 내용을 손상시키지 않은 채 하나의 커널 영상으로부터 다른 종류의 커널 영상으로의 전환에 대한 수요가 증가하고 있다. 이 논문에서는 적응적 인스턴스 정규화가 적용된 순환적 생성 신경망을 사용한 비지도 학습 기반의 새로운 커널 전환 방법을 제안한다. 현존하는 커널 전환에 관한 딥러닝 연구들과는 달리, 이 논문에서 제안하는 방법은 딥러닝 모델의 학습 시 쌍을 이루는 데이터를 필요로 하지 않는다. 게다가, 우리의 네트워크는 두 개의 다른 커널들을 서로 전환시킬 수 있을 뿐만 아니라 두 커널 영상 도메인 사이의 optimal transport를 따라 모든 interpolating path를 만들 수 있어서 두 커널들의 새로운 조합을 만들어낼 수 있다. 제안하는 알고리즘의 강점들을 실험 결과들이 뒷받침한다.
