Tomography enables three-dimensional imaging of object of interest, ranging from nano-materials to biological cells and human organs. Although tomographic imaging provides invaluable information in many fields including medicine, material science and biology, in many cases the quality of the image is degraded due to insufficient measurements. The missing cone problem in optical diffraction tomography (ODT) limited angle X-ray computed tomography (CT), and sparse-view reconstruction in electron dispersive X-ray (EDX) tomography are representative obstacles that demarcate the resolution of the object being imaged. In this paper, a universal method to solve these problems through unsupervised deep learning, dubbed TomoGAN, is presented. TomoGAN, which is generally applicable to 3D tomography, works by enhancing the resolution of projection measurements by learning the optimal transport map. The algorithm presented in this paper has great advantages in that it does not require high resolution ground truth data for training. The applications that are covered in this paper is as follows: ODT, limited angle CT, and extreme sparse-view EDX tomography, and extreme sparse-view dual energy CT.
본 연구에서는 비지도 심층 학습을 이용한 단층 촬영 영상을 복원하는 일반적인 방법을 다룬다. 3차원 단층촬영 영상은 재료 과학, 생물학, 그리고 의학등 다양한 분야에서 많이 이용되며 여러가지 유용한 정보를 제공하지만, 여러 제약으로 인해 충분한 양의 측정치를 제공하지 못하고, 이로 인해 복원된 영상의 질이 떨어진다.
본 논문에서는 앞선 문제들을 모두 해결할 수 있는 일반적인 방법론을 제시하며, 그에 대한 적용으로 광학 회절 영상과 각도 제한 CT 에서의 누락된 원뿔 문제 해결 방법, 그리고 에너지 분산형 X-ray 분석 영상과 이중에너지 CT에서의 희소 각도 복원 방법을 제시한다.
