전산화단층영상(Computed tomography; CT)은 의료 진단분야에서 유용하게 사용되고 있는 검사방법 중 하나이다. 하지만 영상을 획득 및 재구성하는 단계에서 잡음이나 아티팩트 발생, 공간분해능 저하와 같은 영상 화질 왜곡이 발생할 수 있다. 영상 화질 왜곡은 진단 정확도에 부정적인 영향을 미치기 때문에 이를 극복하기 위해서 영상 화질 복원이 필수적이다. 최근 의료 영상 화질을 복원하기 위해 지도학습 기술을 사용한 많은 연구가 수행되고 있다. 그러나 의료영상 분야에서는 많은 데이터를 확보하기 어렵다. 멀티에이전트 강화학습(multi-agent reinforcement learning; MARL)은 학습 과정 중에 데이터의 상태가 변하기 때문에 지도학습보다 적은 데이터로 우수한 성능을 발휘할 수 있다. 그러나 지금까지 선택 가능한 행동은 단순한 픽셀값 조정으로 제한되어 CT 영상 복원이 불충분했다. 본 연구에서는 CT 영상 화질을 복원하기 위한 MARL의 행동으로서 지도학습 기반 사전학습모델의 적용 가능성을 평가하였다. MARL 네트워크는 asynchronous advantage actor-critic(A3C) ...
전산화단층영상(Computed tomography; CT)은 의료 진단분야에서 유용하게 사용되고 있는 검사방법 중 하나이다. 하지만 영상을 획득 및 재구성하는 단계에서 잡음이나 아티팩트 발생, 공간분해능 저하와 같은 영상 화질 왜곡이 발생할 수 있다. 영상 화질 왜곡은 진단 정확도에 부정적인 영향을 미치기 때문에 이를 극복하기 위해서 영상 화질 복원이 필수적이다. 최근 의료 영상 화질을 복원하기 위해 지도학습 기술을 사용한 많은 연구가 수행되고 있다. 그러나 의료영상 분야에서는 많은 데이터를 확보하기 어렵다. 멀티에이전트 강화학습(multi-agent reinforcement learning; MARL)은 학습 과정 중에 데이터의 상태가 변하기 때문에 지도학습보다 적은 데이터로 우수한 성능을 발휘할 수 있다. 그러나 지금까지 선택 가능한 행동은 단순한 픽셀값 조정으로 제한되어 CT 영상 복원이 불충분했다. 본 연구에서는 CT 영상 화질을 복원하기 위한 MARL의 행동으로서 지도학습 기반 사전학습모델의 적용 가능성을 평가하였다. MARL 네트워크는 asynchronous advantage actor-critic(A3C) 알고리듬을 기반으로 했으며, 영상의 픽셀에 각각 에이전트를 할당하였다. MARL에서 CT 영상 화질 복원을 위한 행동은 Gaussian, bilateral, median 필터 및 사전학습모델로 구성되었다. Convolutional neural network (CNN), residual neural network (ResNet), U-Net 기반 지도학습 모델을 사전학습모델로 사용했으며, 사전학습모델은 잡음 감소를 구현하도록 훈련되었다. 데이터 정량적 분석에는 structural similarity index (SSIM), peak signal-to-noise ratio (PSNR), signal-to-noise ratio (SNR) 및 profile이 사용되었다. 사전학습모델을 행동으로 사용한 MARL 네트워크는 사전학습모델을 사용하지 않은 경우보다 더 나은 CT 영상 화질을 복원하였다. 특히 MARL 행동에 사용되는 사전학습모델의 비율이 증가함에 따라 영상 화질 복원도가 향상되었다. 본 연구는 지도학습 기반 사전학습모델이 강화학습에서 행동으로 사용될 수 있으며 CT 영상 화질 복원도를 향상할 수 있음을 증명하였다.
전산화단층영상(Computed tomography; CT)은 의료 진단분야에서 유용하게 사용되고 있는 검사방법 중 하나이다. 하지만 영상을 획득 및 재구성하는 단계에서 잡음이나 아티팩트 발생, 공간분해능 저하와 같은 영상 화질 왜곡이 발생할 수 있다. 영상 화질 왜곡은 진단 정확도에 부정적인 영향을 미치기 때문에 이를 극복하기 위해서 영상 화질 복원이 필수적이다. 최근 의료 영상 화질을 복원하기 위해 지도학습 기술을 사용한 많은 연구가 수행되고 있다. 그러나 의료영상 분야에서는 많은 데이터를 확보하기 어렵다. 멀티에이전트 강화학습(multi-agent reinforcement learning; MARL)은 학습 과정 중에 데이터의 상태가 변하기 때문에 지도학습보다 적은 데이터로 우수한 성능을 발휘할 수 있다. 그러나 지금까지 선택 가능한 행동은 단순한 픽셀값 조정으로 제한되어 CT 영상 복원이 불충분했다. 본 연구에서는 CT 영상 화질을 복원하기 위한 MARL의 행동으로서 지도학습 기반 사전학습모델의 적용 가능성을 평가하였다. MARL 네트워크는 asynchronous advantage actor-critic(A3C) 알고리듬을 기반으로 했으며, 영상의 픽셀에 각각 에이전트를 할당하였다. MARL에서 CT 영상 화질 복원을 위한 행동은 Gaussian, bilateral, median 필터 및 사전학습모델로 구성되었다. Convolutional neural network (CNN), residual neural network (ResNet), U-Net 기반 지도학습 모델을 사전학습모델로 사용했으며, 사전학습모델은 잡음 감소를 구현하도록 훈련되었다. 데이터 정량적 분석에는 structural similarity index (SSIM), peak signal-to-noise ratio (PSNR), signal-to-noise ratio (SNR) 및 profile이 사용되었다. 사전학습모델을 행동으로 사용한 MARL 네트워크는 사전학습모델을 사용하지 않은 경우보다 더 나은 CT 영상 화질을 복원하였다. 특히 MARL 행동에 사용되는 사전학습모델의 비율이 증가함에 따라 영상 화질 복원도가 향상되었다. 본 연구는 지도학습 기반 사전학습모델이 강화학습에서 행동으로 사용될 수 있으며 CT 영상 화질 복원도를 향상할 수 있음을 증명하였다.
Computed tomography (CT) is one of the most useful medical imaging systems in the field of medical diagnosis. However, in the stage of acquiring and reconstructing the CT images, image quality distortion such as high-noise, artifacts, and low-resolution may occur. Since such image quality distortion...
Computed tomography (CT) is one of the most useful medical imaging systems in the field of medical diagnosis. However, in the stage of acquiring and reconstructing the CT images, image quality distortion such as high-noise, artifacts, and low-resolution may occur. Since such image quality distortion negatively affects diagnostic accuracy, the image quality restoration is essential to overcome the drawbacks. Recently, many studies have been conducted by using the supervised learning technologies for restoring image quality in medicine. However, in the medical image field, it's difficult to secure a lot of data. Multi-agent reinforcement learning (MARL) can have great performance with less data than supervised learning, because the state of the data is changed during the learning process. However, so far, the selectable actions have been limited to pixel value adjustment, causing insufficient CT image restoration. In this study, we evaluated the applicability of the pre-trained iamging model based on the supervised learning as an action in the MARL for restoring CT image quality. MARL network was based on asynchronous advantage actor-critic (A3C) algorithm, and each agent is assigned to the pixel unit of the image. The action for CT image quality restoration in the MARL consisted of Gaussian, bilateral, median filters, and pre-trained models. We used convolutional neural network (CNN), residual neural network (ResNet), U-Net based supervised learning models as pre-trained models, and pre-trained models were trained to implement the task of noise reduction. For data analysis, structural similarity index (SSIM), peak signal-to-noise ratio (PSNR), signal-to-noise ratio (SNR) and profile were used. The MARL network used the pre-trained models as the action restored CT image quality better than the result images obtained without the pre-trained imaging model. In particular, as the proportion of the pre-trained models used in MARL action increases, the image quality restoration was further improved. This study demonstrates that the pre-trained imaging model based on the supervised learning can be used as the action in the reinforcement learning and can improve CT image quality restoration.
Computed tomography (CT) is one of the most useful medical imaging systems in the field of medical diagnosis. However, in the stage of acquiring and reconstructing the CT images, image quality distortion such as high-noise, artifacts, and low-resolution may occur. Since such image quality distortion negatively affects diagnostic accuracy, the image quality restoration is essential to overcome the drawbacks. Recently, many studies have been conducted by using the supervised learning technologies for restoring image quality in medicine. However, in the medical image field, it's difficult to secure a lot of data. Multi-agent reinforcement learning (MARL) can have great performance with less data than supervised learning, because the state of the data is changed during the learning process. However, so far, the selectable actions have been limited to pixel value adjustment, causing insufficient CT image restoration. In this study, we evaluated the applicability of the pre-trained iamging model based on the supervised learning as an action in the MARL for restoring CT image quality. MARL network was based on asynchronous advantage actor-critic (A3C) algorithm, and each agent is assigned to the pixel unit of the image. The action for CT image quality restoration in the MARL consisted of Gaussian, bilateral, median filters, and pre-trained models. We used convolutional neural network (CNN), residual neural network (ResNet), U-Net based supervised learning models as pre-trained models, and pre-trained models were trained to implement the task of noise reduction. For data analysis, structural similarity index (SSIM), peak signal-to-noise ratio (PSNR), signal-to-noise ratio (SNR) and profile were used. The MARL network used the pre-trained models as the action restored CT image quality better than the result images obtained without the pre-trained imaging model. In particular, as the proportion of the pre-trained models used in MARL action increases, the image quality restoration was further improved. This study demonstrates that the pre-trained imaging model based on the supervised learning can be used as the action in the reinforcement learning and can improve CT image quality restoration.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.