https://link.springer.com/article/10.1007/s11517-022-02731-9
1. Introduction
- 이미지 노이즈 제거는 의료 이미지 분석의 필수적인 예비 단계임 (ref는 없음)
- x선, CT, MRI, 초음파 등 이미징 기술은 다양한 종류의 노이즈에 민감함. (ref 1)
- x-ray는 가장 일반적이고 비용 효율적이여서 사용되며, 방사선 흡수량은 뼈와 조직에 따라 다른걸 이용해 결과물이 도출됨
- 노이즈로 인해 이미지가 불분명해지고 추가 처리가 어려워지기 때문에 의료 이미지의 노이즈 감소는 매우 중요하고 필수적임 (ref 2)
- X선 이미지는 일반적으로 시스템 내 열 활동으로 인해 생성되는 무작위 전류에 의해 생성되는 가우스 잡음으로 왜곡되며, 노이즈 평균이 0이고 분산이 일정한 가우수 분포를 사용해 추가된 것으로 가정함
- 선형 필터(가우스평균화, 중앙 확산 필터 등)은 추력 이미지의 가장자리가 흐려지는 문제가 발생함. 비선형 필터(중앙값 비선형 필터, 양측 필터 및 적응형 필터 등)은 계산 복잡성은 개선하였지만 아직 가장자리가 흐려지는 문제는 극복하지 못함
- 비국소 평균 알고리즘, 다중 규모 기술 등은 Medical Iamge Denoising(MID)용으로 개발되어 사용되었지만, CNN이 더 좋았음
- 잔여 학습 및 희소 메커니즘을 통해 CXR 의료 이미지에 대한 향상된 노이즈 제거 기능 제시
2. Relative work
- 이미지 노이즈 제거에는 공간 도메인 방법과 변환 도메인 방법이라는 두 가지 접근 방식이 있음
- 공간 영역 방법은 공간 영역 필터링과 변형 잡음 제거 방법으로 분류됨
- 공간 도메인 필터링은 선형 필터와 비선형 필터로 분류될 수 있음. 이는 이미지가 흐려지는 문제가 발생함
- 변형 노이즈 제거 방법(gradient, NSS 등)는 날카로운 모서리 감지에 실패함
- 비국소적 유사성 기반 방법은 규칙적이고 반복적인 구조를 가진 이미지에 적합하지만 질감이 지나치게 매끄럽게 표면이 일정하여 계단 효과가 발생함
- 국소 잡음 제거 방법의 성능은 잡음 수준이 높을 때 제한적임. 이 한계를 극복하고자 비지역적 방법으로 전환되어 질감이 있고 매끄러운 영역을 효과적으로 재구성했지만 높은 계산 비용이 발생함
- 변환 도메인 방법은 노이즈가 있는 이미지 도메인을 다른 도메인으로 변환하고 노이즈 제거를 적용하는 것으로 데이터 적으형, 비데이터 적응형이든 선택한 기본 변환 함수에 따라 세분화될 수 있음
- 독립 구성 요소 분석이라는 데이터 적응 방법, 웨이블릿 변환 등 다양함
- 최근은 CNN 기반 방법이 활발함
3. Method
- DCMIEDNet 모델은 DudeNet을 사용하므로 FEB, EB, CB, RB의 4개의 블록 포함
- Adam optimizer
- FEB의 SubNet1에서는 1차, 3차, 4차, 6차, 7차, 8차, 10차, 11차, 13차, 14차, 15차 계층이 Conv + BN + ReLU를 수행함. 16번째 레이어는 Conv만 수행. 2,5,9,12 layer는 Dialted Conv + BN +ReLU를 수행
- Dilated convolutiondms 지수 확장을 지원하며 데이터의 순서를 유지하는 데 도움이 됨. 일반 컨볼루션에 비해 확장 컨볼루션은 수용 필드가 크고 동일한 계산 비용으로 더 넓은 적용 범위를 제공해 계산적으로 효율적임. Pooling 대신 Dilation을 사용하므로 메모리 소모가 적고, 출력 영상의 해상도 손실도 없음
- BN는 훈련된 모델의 과적합을 방지하고 네트워크의 수렴을 가속화하기 위한 정규화를 위해 많은 연구자가 사용함
- ReLU는 CNN의 숨겨진 레이어에 가장 일반적으로 사용되는 활성화 함수
- 강화 블록(EB)는 서로 다른 두 하위 네트워크의 서로 다른 특징을 융합하거나 네트워크에서 얻은 로컬 및 전역 특징과 연결 작업을 사용하여 잡음이 있는 입력을 융합하여 이미지 특징을 향상시키는 데사용됨
- CB는 추출된 특징을 개선하여 보다 실제적인 이미지를 얻는데 사용. RB는 최종적으로 예측된 깨끗한 이미지를 생성
- 손실함수 MSE는 이미지 노이즈 제거에서 가장 일반적으로 사용되는 손시함수임
- 1200*1200 크기의 CXR 이미지 (400개는 훈련, 100개는 테스트)
- 부족한 이미지는 쌍삼차 보간법 적용. 축소 계수는 1, 0.9, 0.8, 0.7로 각 이미지가 한 에포크에 4번 사용됨
- 또한 8가지 다른 회전 방식을 통해 증강함
- CXR 이미지는 AWGN에 의해 특정 노이즈 레벨 15, 25, 40, 50, 60으로 손상됨
4. Result
- 각 노이즈 레벨 별 이미지 제시함
- PSNR(dB)와 SSIM 결과도 포함함