In this work, we propose a novel method for denoising unpaired low-dose computed tomography (CT) images using a cycle-consistent generative adversarial network (CycleGAN) model trained on wavelet sub-band images. A primary goal of CT imaging research is to reduce the amount of X-ray radiation exposure during a scan. However, CT image quality deteriorates with reduced radiation doses, making accurate diagnosis difficult. Denoising algorithms are necessary to reduce the X-ray dose while maintaining adequate visual quality. Deep learning methods, especially convolutional neural networks (CNNs), have recently come to prominence due to their superior performance and much faster inference times compared to previous medical image reconstruction techniques. However, supervised learning is challenging for CT because acquiring paired scans with different doses would expose patients to unnecessary radiation. Unpaired CT scans of different dosages can, however, be used for unsupervised learning. However, we find that naïve image domain learning produces mean shifting artifacts, especially in air filled regions. Thus, we use wavelet sub-band images, which have had low-frequency structural information removed from them via the wavelet transform, as CycleGAN inputs. The CycleGAN translates the wavelet sub-band images from low-dose images to high-dose images. Cycle consistency preserves the remaining structural information. Our method thereby allows the neural network to focus on learning how to alter the noise distribution. Moreover, it further prevents the model from introducing structural artifacts. We evaluate our method through extensive experimentation on temporal CT scans acquired in clinical settings.
본 논문에서는 비대응 저선량 컴퓨터 단층 촬영 영상의 웨이블릿 부대역 영상을 순환 생성적 적대 신경망으로 훈련함으로써 저선량 잡음을 제거하는 방법을 제시하고자 한다. 환자 노출 방사선량을 감소하는 것은 컴퓨터 단층 촬영 영상 연구의 주 목적 중 하나이다. 그러나 방사선량을 감소할 때는 영상의 질이 떨어져 정확한 진단을 하는데 어려움이 발생하기 때문에 잡음 제거 알고리즘이 필요하다. 최근 합성곱 신경망으로 대표되는 딥러닝 알고리즘이 우수한 성능과 속도로 인해 의료영상 복원에서 대두되었다. 그러나 대다수 딥러닝 알고리즘에서 사용되는 지도학습은 컴퓨터 단층 촬영에서 사용하기 어렵다. 대응 데이터를 획득하기 위해 동일 환자를 여러 번 촬영해 불필요한 방사선 노출이 발생하기 때문이다. 이로 인해 본 연구에서는 비지도 학습을 위해 비대응 데이터를 사용한다. 그러나 단층촬영 영상을 직접 사용할 경우 결과 영상에 평균값 감소 문제가 발생함을 확인했다. 이로 인해 웨이블릿 변환으로 구조적 정보를 담은 저주파 부대역을 제거한 부대역 영상을 순환 생성적 적대 신경망에 사용함으로써 저선량 영상을 표준선량 영상으로 변환하고자 한다. 부대역 영상과 순환 일관성을 통해 본 연구에서 제시된 방법은 구조적 정보를 보존하고 모델이 잡음 분포의 변환에만 학습을 집중할 수 있게끔 한다. 또한, 모델이 구조적 데이터에서 왜곡을 생성하는 것을 방지할 수 있다. 충남대학교 병원에서 촬영한 아동 측두골 영상에서 실험을 통해 본 연구에서 제시한 방법론을 평가한다.
