Friedrich-Alexander University Erlangen-Nuremberg Pattern Recognition Lab 연구진은 비원형 궤적 cone beam computed tomography 재구성을 위해 Gaussian-Based Shift-Variant FBP neural network(GB-SVFBP)를 제안했다.
이 방법은 전통적인 differentiable shift-variant FBP의 filtering 과정에 학습 가능한 2D Gaussian model을 넣어 trajectory-related part를 표현하도록 구성했다. 기존 모델의 filtering component는 weightings, differentiations, 2D Radon transform, 2D backprojection으로 이루어진다.
실험은 clinical C-arm system인 Artis zeego의 기하구성을 사용했고, acquisition trajectory는 frequency 5의 sinusoidal trajectory, tilt angle range ±10 degrees였다. geometry는 volume shape 128×512×512, volume spacing 0.25mm×0.25mm×0.25mm, number of projections 400, source isocenter distance 750mm, source detector distance 1200mm, detector spacing 0.616mm×0.616mm, detector shape 620×480, source geometry cone beam으로 제시됐다.
데이터는 30 sets of simulated data로 구성했으며 24개를 training, 6개를 validation에 사용했다. 추가 평가에는 Pancreatic-CT-CBCT-SEG dataset의 40 patients with pancreatic cancer CT imaging data를 바탕으로 같은 절차로 만든 20 sets of test data를 썼다. 구현은 PyTorch 2.1.1과 Pyro-NN을 사용했고, loss function은 normalized reconstructed and reference results에 대해 MSE와 SSIM을 결합했다.
모델은 1000 epochs 동안 AdamW optimizer와 One-Cycle learning rate policy를 사용해 학습했으며, Nvidia A40 GPU에서 실행됐다. 결과적으로 32 epochs 후 수렴했고 약 3 hours가 걸렸다. 논문은 training time for each trajectory가 original의 one-fourth로 줄었다고 설명한다.
정량 비교에서는 uncompressed model이 MSE 0.0922 ± 0.0119, PSNR 38.78 ± 1.15 dB, SSIM 0.9659 ± 0.0057, #parameters 113,184,000을 기록했다. PCA-based model은 MSE 0.0089 ± 0.0108, PSNR 39.05 ± 1.13 dB, SSIM 0.9544 ± 0.0079, #parameters 3,116,560이었다.
| 모델 | MSE↓ | PSNR(dB)↑ | SSIM↑ | #parameters↓ |
|---|---|---|---|---|
| No compress | 0.0922 ± 0.0119 | 38.78 ± 1.15 dB | 0.9659 ± 0.0057 | 113,184,000 |
| PCA-based | 0.0089 ± 0.0108 | 39.05 ± 1.13 dB | 0.9544 ± 0.0079 | 3,116,560 |
| 2D Gaussian | 0.1003 ± 0.0121 | 38.04 ± 1.16 dB | 0.9367 ± 0.0106 | 100,000 |
자료: STORIUM 정리
2D Gaussian model은 MSE 0.1003 ± 0.0121, PSNR 38.04 ± 1.16 dB, SSIM 0.9367 ± 0.0106, #parameters 100,000으로 제시됐다. 원문은 이 구성이 traditional differentiable shift-variant FBP models 대비 trainable parameters를 99% 줄이며, image quality에서는 slight degradation이 있다고 정리했다.
저작권자 © STORIUM 무단전재 및 재배포 금지
