CT 영상에서 Inception 모형을 이용한 잡음제거

국문 초록 (Abstract)

CT 영상에서 영상의 중요한 특징을 잃지 않으면서 방사선량 (radiation dose) 부족으로 생기는 잡음문제를 해결하는 일은 도전적이다. 지금까지 주로 특정 잡음만을 제거하기 위해 공간 영역 (spatial domain)에서 설계된 공간필터 (spatial filter)들이 사용되어 왔다. 본 논문에서는 딥러닝의 Inception 모형을 이용하여 CT 영상에서 잡음을 제거하고자 한다. 제안된 Inception 모형은 기존의 CNN (convolutional neural network) 모형을 포함한 딥러닝의 성능과 처리속도를 개선한 Inception- ResNet 모형에 토대를 두고 있다. 본 논문에서 제안된 Inception 모형의 성능을 평가하기 위해 CT 영상에 흔히 존재하는 잡음 즉, 가우시안 잡음 (Gaussian noise), 임펄스 잡음 (Impulse noise) 그리고 포아송 잡음 (Poisson noise)에 의해 훼손된 영상을 고려하였다. 성능실험결과, 정성적인 관점에서 제안된 Inception 모형은 기존의 Inception 모형과 비슷한 잡음제거 영상을 얻었고, CNN 모형과는 비슷하거나 약간 좋은 결과를 보였고, Mean 필터와 Median 필터보다는 훨씬 좋은 결과를 보였다. 정량적인 관점에서 제안된 Inception 모형은 기존의 Inception 모형을 포함하여 CNN 모형과 그 밖의 방법들보다 좋은 PSNR (Peak signal-to-noise ratio)와 MAE (Mean Absolute Error) 수치를 보였다. 그리고 처리속도 관점에서 Inception 모형 들은 CNN 모형보다 현저히 개선된 결과를 보였다.

다국어 초록 (Multilingual Abstract)

It is challenging to solve the problem of noise detection caused by lack of dose without losing important features of CT images. Until now, most of the spatial filters have been designed primarily in the spatial domain to eliminate only certain noise. In this paper, we want to remove noise from CT images using Inception model of deep learning. The proposed Inception model is a variant of the Inception-Resident model. In order to evaluate the Inception model proposed in this paper, we considered images damaged by various noises, Gaussian noise, impulse noise and Poisson noise. The performance experiment showed that the proposed Inception model was similar to the existing Inception model, performed similar or slightly better than the CNN model, and that it was better than the Mean filter and the Median filter, from a qualitative perspective. In addition, the Inception model showed better PSNR (Peak signal-to-noise rate) and MAE (Mean Absolute Error) values than the CNN model and other methods, including the existing Inception model from a quantitative perspective. And in terms of processing speed, the Inception models showed a significant improvement over the CNN model.

목차 (Table of Contents)

• 요약
• 1. 서론
• 2. 관련연구
• 3. Inception 모형을 이용한 잡음 제거
• 4. 성능 실험 및 논의사항
• 5. 결론
• References
• Abstract

참고문헌 (Reference)

• 1 허광해, "영상에서 패치기반 CNN 모형을 이용한 잡음제거" 한국데이터정보과학회 30 (30): 349-363, 2019
• 2 송정훈, "영상에서 convolutional denoising autoencoder 모형을 이용한 영상복원" 한국데이터정보과학회 31 (31): 25-40, 2020
• 3 유광현, "열화상 영상 잡음 제거를 위한 효율적인 잡음 제거 블록 기반의 신경망" 한국정보기술학회 17 (17): 65-76, 2019
• 4 Masci, J., "Stacked convolutional auto-encoders for hierarchical feature extraction" 6791 : 52-59, 2011
• 5 Grais, E. M., "Single channel audio source separation using convolutional denoising autoencoders" 2017
• 6 Chan, R. H., "Salt-and-pepper noise removal by median-type noise detectors and detail-preserving regularization" 14 : 1479-1485, 2005
• 7 Gondara, L., "Medical image denoising using convolutional denoising autoencoders" 2016
• 8 Villan, A. F., "Mastering OpenCV 4 with Python: : A practical guide covering topics from image processing, Augmented reality to deep learning with OpenCV 4 and Python 3.7" Packt Publishing 2019
• 9 Yang, X., "Low-dose x-ray tomography through a deep convolutional neural network" 8 : 1-12, 2018
• 10 Chen, H., "Low-dose CT via convolutional neural network" 8 : 679-694, 2017
• 11 Saxena, P., "Intelligent Multidimensional Data and Image Processing" 220-239, 2018
• 12 Szegedy, C., "Inception-v4, inception-resnet and the impact of residual connections on learning" 4278-4284, 2017
• 13 Dong, C., "Image super-resolution using deep convolutional networks" 38 : 295-307, 2016
• 14 Zhang, F., "Image denoising method based on a deep convolution neural network" 12 : 485-493, 2018
• 15 Solomon, C., "Fundamentals of digital image processing: A practical approach with examples in MATLAB" Wiley-Blackwell 2011
• 16 Deng, L., "Deep learning : Methods and applications" now Publishers Inc 2014
• 17 Mooney, P., "Chest X-ray images (Pneumonia)" Kaggle Inc
• 18 Kim, D. W., "Bayesian approach for Rician non-local means denoising in MR image" 63 : 303-314, 2015
• 19 Kingma, D., "Adam: A method for stochastic optimization" 1-15, 2015
• 20 Kumar, R. N., "A spatial mean and median filter for noise removal in digital images" 4 : 246-253, 2015