[논문]폐 CT 영상에서의 노이즈 감소를 위한 U-net 딥러닝 모델의 다양한 학습 파라미터 적용에 따른 성능 평가

이민관; 박찬록

doi:10.7742/jksr.2023.17.5.709

폐 CT 영상에서의 노이즈 감소를 위한 U-net 딥러닝 모델의 다양한 학습 파라미터 적용에 따른 성능 평가
Performance Evaluation of U-net Deep Learning Model for Noise Reduction according to Various Hyper Parameters in Lung CT Images 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.17 no.5, 2023년, pp.709 - 715

이민관 (을지대학교 방사선학과) , 박찬록 (을지대학교 방사선학과)

초록
AI-Helper

본 연구의 목적은, U-net 딥러닝 모델을 이용하여 CT 영상에서의 노이즈 감소 효과를 다양한 하이퍼 파라미터를 적용하여 평가하였다. 노이즈가 포함된 입력 영상 생성을 위하여 Gaussian 노이즈를 적용하였고, 총 1300장의 CT 영상에서 train, validation, test 셋의 비율을 8:1:1로 유지하여 U-net 모델을 적용하여 학습하였다. 연구에서 적용된 하이퍼파라미터는 최적화 함수 Adagrad, Adam, AdamW와 학습횟수 10회, 50회, 100회와 학습률 0.01, 0.001, 0.0001을 적용하였으며, 최대 신호 대 잡음비와 영상의 변동계수 값을 계산하여 정량적으로 분석하였다. 결과적으로 U-net 딥러닝 모델을 적용한 노이즈 감소는 영상의 질을 향상시킬 수 있으며 노이즈 감소 측면에서 유용성을 입증하였다.

Abstract ▼ AI-Helper

In this study, the performance evaluation of image quality for noise reduction was implemented using the U-net deep learning architecture in computed tomography (CT) images. In order to generate input data, the Gaussian noise was applied to ground truth (GT) data, and datasets were consisted of 8:1:1 ratio of train, validation, and test sets among 1300 CT images. The Adagrad, Adam, and AdamW were used as optimizer function, and 10, 50 and 100 times for number of epochs were applied. In addition, learning rates of 0.01, 0.001, and 0.0001 were applied using the U-net deep learning model to compare the output image quality. To analyze the quantitative values, the peak signal to noise ratio (PSNR) and coefficient of variation (COV) were calculated. Based on the results, deep learning model was useful for noise reduction. We suggested that optimized hyper parameters for noise reduction in CT images were AdamW optimizer function, 100 times number of epochs and 0.0001 learning rates.

주제어

표/그림 (8)

그림 Fig. 1. The diagram of U-net architecture including the convolution, max pooling, and up-convolution with encoding and decoding path.
그림 Fig. 2. The photos for (a) ratio of train, validation, and test datasets, and the images of (b) input and (c) ground truth (GT).
그림 Fig. 3. Result images according to hyper parameters with respect to (a) optimizer function, (b) number of epochs, and (c) learning rate.
표 Table 1. The hyper parameters for U-net deep learning
표 Table 2. The PSNR results for each hyper parameters
그림 Fig. 4. The peak signal to noise ratio (PSNR) result graphs according to (a) optimizer function, (b) number of epochs, and (c) learning rate.
그림 Fig. 5. The coefficient of variation (COV) result graph according to (a) optimizer function, (b) number of epochs, and (c) learning rate.
표 Table 3. The COV results for each hyper parameters

AI 본문요약
AI-Helper

문제 정의

그러므로 본 연구는 폐 CT 영상의 포함된 노이즈를 U-net 딥러닝 네트워크를 적용하여 감소하고, U-net 네트워크의 성능 평가 및 유용성을 확인하고자 한다. 또한, 최적화 함수, 학습 횟수, 학습률의 학습 파라미터를 변경하여 결과 영상을 획득함으로써 노이즈 분포 감소에 최적화된 하이퍼파라미터를 확인하고, 영상의 질 향상의 가능성을 입증하였다.
본 연구는 U-net 딥러닝 모델을 적용하여 폐 CT 영상의 포함된 노이즈를 감소하는 성능을 평가하였다. 최적의 평가를 위하여 최적화 함수, 학습 횟수, 학습률의 하이퍼파라미터를 다양하게 설정하였고, 결과적으로 최적화 함수는 AdamW, 학습 횟수는 100회, 학습률은 0.

대상 데이터

Fig. 2는 학습을 위하여 구성한 데이터 셋 비율과 Gaussian 노이즈를 적용한 입력 데이터와 Ground truth (GT) 영상을 각각 나타냈다.
0001을 적용하여 각각 결과 영상을 획득하였다. 본 연구에서 적용한 기준 하이퍼파라미터는 손실함수 MSE, 최적화 함수 Adam, 학습 횟수 100회, 학습률 0.001이다.
총 1300 장의 CT 영상이 학습에 사용되었고, 사용된 CT 영상은 SPIE-AAPM Lung CT challenge에서 제공하는 오픈 데이터로써 기관의 연구윤리심의위원회의 심의 과정을 생략하였다. Fig.

데이터처리

딥러닝 학습을 통하여 획득한 결과 영상을 정량적으로 분석하기 위하여 최대신호대잡음비 (peak signal to noise ratio, PSNR)과 변동 계수 (coefficient of variation, COV)의 정량적 파라미터를 적용하였다. PSNR과 COV의 수식은 아래와 같다.
Table 1은 본 연구에서 노이즈 감소 효과와 최적화를 확인하는데 적용한 하이퍼파라미터다. 손실함수는 평균제곱오차 (mean square error, MSE)로 고정하고, 최적화 함수는 Adam을 기준으로 Adagrad, AdamW에 따른 영상의 질을 분석하였다. 학습 횟수와 학습률은 100회와 0.

성능/효과

GT 영상과 결과 영상의 유사도를 평가할 수 있는 PSNR 값에서, 최적화 함수는 AdamW를 사용하였을 때 가장 우수한 성능을 보였다. 동일 조건에서 Adagrad를 사용하였을 때보다 AdamW를 사용했을 때 GT 영상과의 유사도가 1.
육안 평가에서는 Gaussian 노이즈가 포함된 입력 영상과 비교했을 때 결과적으로 설정한 모든 하이퍼파라미터에 따른 폐 CT 영상의 포함된 노이즈가 감소함을 확인할 수 있다. 또한, 노이즈 분포가 감소하면서 폐의 실질이 더욱 선명하게 보임으로써 병변의 유무를 더욱 정확하게 평가할 수 있는 가능성을 확인하였다. 폐의 실질뿐만 아니라, 폐 CT 영상의 포함된 뼈와 실질조직의 노이즈 분포가 감소함을 확인할 수 있었다.
그러므로 본 연구는 폐 CT 영상의 포함된 노이즈를 U-net 딥러닝 네트워크를 적용하여 감소하고, U-net 네트워크의 성능 평가 및 유용성을 확인하고자 한다. 또한, 최적화 함수, 학습 횟수, 학습률의 학습 파라미터를 변경하여 결과 영상을 획득함으로써 노이즈 분포 감소에 최적화된 하이퍼파라미터를 확인하고, 영상의 질 향상의 가능성을 입증하였다.
획득된 결과를 바탕으로 U-net 네트워크는 폐 CT 영상에서의 노이즈 감소 측면에서는 효과적임을 증명하였다. 육안 평가에서는 Gaussian 노이즈가 포함된 입력 영상과 비교했을 때 결과적으로 설정한 모든 하이퍼파라미터에 따른 폐 CT 영상의 포함된 노이즈가 감소함을 확인할 수 있다. 또한, 노이즈 분포가 감소하면서 폐의 실질이 더욱 선명하게 보임으로써 병변의 유무를 더욱 정확하게 평가할 수 있는 가능성을 확인하였다.
본 연구는 U-net 딥러닝 모델을 적용하여 폐 CT 영상의 포함된 노이즈를 감소하는 성능을 평가하였다. 최적의 평가를 위하여 최적화 함수, 학습 횟수, 학습률의 하이퍼파라미터를 다양하게 설정하였고, 결과적으로 최적화 함수는 AdamW, 학습 횟수는 100회, 학습률은 0.0001의 조건에서 노이즈 감소효과가 가장 우수함을 확인했으며, U-net 네트워크 기반의 딥러닝 모델을 활용한 노이즈 감소 효과가 우수함을 입증하였다.
4와 Table 2는 각각의 하이퍼파라미터에 따른 PSNR 결과 그래프와 결과값이다. 최적화 함수에 따른 결과는 68.5, 79.1, 79.4로 Adagrad, Adam, AdamW 순서로 GT 영상과의 유사도를 나타냈다. 10회, 50회, 100회의 학습 횟수에 따른 결과는 76.
또한, 노이즈 분포가 감소하면서 폐의 실질이 더욱 선명하게 보임으로써 병변의 유무를 더욱 정확하게 평가할 수 있는 가능성을 확인하였다. 폐의 실질뿐만 아니라, 폐 CT 영상의 포함된 뼈와 실질조직의 노이즈 분포가 감소함을 확인할 수 있었다.
16배 높았고 Adam과는 유사한 결과값을 나타냈다. 학습 횟수별 유사도는 학습 횟수가 증가함에 따라 GT 영상과의 유사도가 향상됨을 확인할 수 있었고, 학습 횟수가 100회일 때 10회 학습했을 때보다 1.03배 높은 유사도를 나타냈다. 학습률에 따른 유사도는 학습률의 계수가 점점 작아질수록 GT 영상과의 유사도가 향상됨을 확인하였다.
03배 높은 유사도를 나타냈다. 학습률에 따른 유사도는 학습률의 계수가 점점 작아질수록 GT 영상과의 유사도가 향상됨을 확인하였다.
획득된 결과를 바탕으로 U-net 네트워크는 폐 CT 영상에서의 노이즈 감소 측면에서는 효과적임을 증명하였다. 육안 평가에서는 Gaussian 노이즈가 포함된 입력 영상과 비교했을 때 결과적으로 설정한 모든 하이퍼파라미터에 따른 폐 CT 영상의 포함된 노이즈가 감소함을 확인할 수 있다.

참고문헌 (12)

J. Chi, Z.Sun, H. Wang, P. Lyu, X. Yu, C. Wu,？"CT image super-resolution reconstruction based on？global hybrid attention", Computers in Biology and？Medicine, Vol. 150, pp. 106112, 2022. https://doi.org/10.1016/j.compbiomed.2022.106112

상세보기
M. Diwakar, M. Kumar, "A review on CT image？noise and its denoising", Biomedical Signal？Processing and Control, Vol. 42, pp.73-88, 2018. https://doi.org/10.1016/j.bspc.2018.01.010

상세보기
A. Borsdorf, R. Raupach, T. Flohr, J. Hornegger,？"Wavelet based noise reduction in CT-images using？correlation analysis", IEEE Transactions on Medical？Imaging, Vol. 27, No. 12, pp. 1685-703, 2008. https://doi.org/10.1109/TMI.2008.923983

상세보기
W. A. Kalender, E. Klotz, L. Kostaridou, "An？algorithm for noise suppression in dual energy CT？material density images", IEEE Transactions on？Medical Imaging, Vol. 7, No. 3, pp. 218-224, 1988. https://doi.org/10.1109/42.7785

상세보기
Y. Seokhwan, P. Chanrok, "The Evaluation of？Denoising PET Image Using Self Supervised？Noise2Void Learning Training: A Phantom Study",？Journal of Radiological Science and Technology, Vol. 44, No. 6, pp. 655-661, 2021. https://doi.org/10.17946/JRST.2021.44.6.655

원문보기 상세보기
L. Junegoo, J. Sanghoon, C. Youngwon, L. Hyunna,？K. Gukbae, S. Joonbeom, K. Namkug, "Deep？Learning in Medical Imaging: General Overview",？Korean Society of Radiology, Vol. 18, No. 4, pp. 570-584, 2017. https://doi.org/10.3348/kjr.2017.18.4.570

상세보기
Y. Yoon, J. Heo, Y. Kim, H. Jo, Y. Yoon,？"Enhancing CT Image Quality Using Conditional？Generative Adversarial Networks for Applying？Post-mortem Computed Tomography in Forensic？Pathology: A Phantom Study", Journal of？Radiological Science and Technology, Vol. 46, No. 4, pp. 315-323, 2023. https://doi.org/10.17946/JRST.2023.46.4.315

원문보기 상세보기
C. Youngeun, L. Seungwan, "Performance Evaluation？of ResNet-based Pneumonia Detection Model with？the Small Number of Layers Using Chest X-ray？Images", Journal of Radiological Science and？Technology, Vol. 46, No. 4, pp. 277-285, 2023. https://doi.org/10.17946/JRST.2023.46.4.277

원문보기 상세보기
O. Ronneberger, P. Fischer, T. Brox, "U-Net:？Convolutional Networks for Biomedical Image？Segmentation", Medical Image Computing and？Computer-Assisted Intervention, Vol. 9351, pp. 234-241, 2015. https://doi.org/10.1007/978-3-319-24574-4_28
G. R. Javier, O. Dalmau, T. E. Alarcon, "A？Residual Dense U-Net Neural Network for Image？Denoising", IEEE Access, Vol. 9, pp. 31742-31754, 2021. http://doi.org/10.1109/ACCESS.2021.3061062

상세보기
M. P. Heinrich, M. Stille, T. M. Buzug, "Residual？U-Net Convolutional Neural Network Architecture？for Low-Dose CT Denoising", Current Directions in？Biomedical Engineering, Vol. 4, No. 1, pp. 297-300, 2018. http://dx.doi.org/10.1515/cdbme-2018-0072

상세보기
I. Loshchilov, F. Hutter, "Decoupled weight decay？regularization", Machine Learning, 2017. https://doi.org/10.48550/arXiv.1711.05101

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증