We address the application of the invertible neural network to the unsupervised denoising of low dose CT image data. Recently, CycleGAN was shown to provide high-performance, ultra-fast denoising for low dose X-ray computed tomography (CT) without the need for a paired training dataset. Although this was possible thanks to cycle consistency, CycleGAN requires two generators and two discriminators to enforce cycle consistency, demanding significant GPU resources and technical skills for training. To solve this problem, here we present a novel cycle-free CycleGAN architecture, which consists of a single generator and a discriminator but still guarantees the cycle consistency. The main innovation comes from the observation that the use of an invertible generator automatically fulfills the cycle consistency condition and eliminates the additional discriminator in the CycleGAN formulation. Extensive experiments using various levels of low dose CT images confirm that our method can improve denoising performance using only 24\% of learnable parameters, twice faster training time, and showed better trade-offs between the complexity versus reconstruction quality, compared to the existing methods.
이 논문에서는 가역적 뉴럴 네트워크를 활용한 비지도학습 기반 저선량 전산화단층촬영 영상에 나타나는 잡음 제거를 다룬다. 최근 순환 생성적 적대 신경망을 활용하여, 저선량 전산화단층촬영 영상에 대응하는 고선량 엑스선 영상 없이 저선량 엑스선 영상의 잡음을 빠르고 효과적으로 제거하는 연구가 많이 이루어졌다. 생성적 적대 신경망은 순환 일관성을 유지하기 위해 학습 과정에서 두 개의 생성자 신경망과 두 개의 구분자 신경망을 사용하는데, 이 때문에 상당한 메모리 자원과 기술력을 요구하게 된다. 이 문제를 해결하기 위해, 한 개의 생성자 신경망과 한 개의 구분자 신경망을 사용하면서도 순환 일관성을 충족하는 새로운 순환 생성적 적대 신경망 구조를 제안한다. 가역적 뉴럴 네트워크를 생성자로 활용할 경우 순환 일관성 조건이 자동으로 충족되고, 이에 따라 한 개의 생성자 신경망과 한 개의 구분자 신경망을 생략 가능함을 보였다. 실험 결과를 통해 제안된 구조가 기존 순환 적대적 신경망의 1/4 수준의 학습 가능한 매개 변수를 사용하면서, 향상된 잡음 제거가 가능함을 보였다.
