[論文レビュー] Amortized Normalizing Flows for Transcranial Ultrasound with Uncertainty Quantification

Rafael Orozco, Mathias Louboutin+4 more|arXiv (Cornell University)|Mar 6, 2023

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本稿では、全波形逆問題（FWI）と比較して画像再構成を98%高速化しつつ、補正された不確実性評価を提供する、頭蓋内超音波画像診断のためのアンモライズド正規化フロー枠組みを提案する。物理的制約を組み込んだ要約統計量を用いて高次元の超音波データを圧縮することで、1ソースあたり1回の前方伝搬／勾配評価で十分なため、一般化可能な事後分布推論が可能となり、高精度な再構成と不確実性マップが得られる。この不確実性マップは再構成誤差と相関関係にあり、臨床的意思決定の信頼性を向上させる。

ABSTRACT

We present a novel approach to transcranial ultrasound computed tomography that utilizes normalizing flows to improve the speed of imaging and provide Bayesian uncertainty quantification. Our method combines physics-informed methods and data-driven methods to accelerate the reconstruction of the final image. We make use of a physics-informed summary statistic to incorporate the known ultrasound physics with the goal of compressing large incoming observations. This compression enables efficient training of the normalizing flow and standardizes the size of the data regardless of imaging configurations. The combinations of these methods results in fast uncertainty-aware image reconstruction that generalizes to a variety of transducer configurations. We evaluate our approach with in silico experiments and demonstrate that it can significantly improve the imaging speed while quantifying uncertainty. We validate the quality of our image reconstructions by comparing against the traditional physics-only method and also verify that our provided uncertainty is calibrated with the error.

研究の動機と目的

• 頭蓋内超音波画像診断（TUCT）における全波形逆問題（FWI）の計算的非現実性（1回の再構成に最大36時間かかる）に対処すること。
• 深層学習ベースの画像診断における高次元・複雑な超音波データの課題を、データ圧縮に物理的波動力学を組み込むことで克服すること。
• 再トレーニングなしで多様なトランスデューサー構成に一般化可能な、効率的で不確実性を伴う画像再構成を可能にすること。
• 再構成誤差と相関する補正されたベイズ的不確実性評価を提供し、臨床的意思決定の信頼性を向上させること。
• 物理的モデリングとデータ駆動型正規化フローを統合し、画像品質と不確実性の正確性を保ちながら高速な推論を実現する手法を開発すること。

提案手法

• 物理的制約を組み込んだ要約統計量を用い、生の超音波データ（32ソース、256受信素子、2377時間ステップ）を70倍に圧縮することで、入力次元を低減しつつ物理的整合性を保持する。
• 条件付き正規化フローを用いて、圧縮された要約統計量に基づく音響インピーダンスの事後分布をモデル化し、効率的なサンプリングと不確実性評価を可能にする。
• アンモライズド形式で正規化フローを訓練し、1ソースあたり前方伝搬と勾配評価を1回行うだけで事後分布推論が可能となるため、オンライン推論コストを著しく低減する。
• 逆問題をベイズ枠組みで定式化することで、完全な事後分布サンプリングと点ごとの分散推定が可能となり、画像再構成における不確実性を反映する。
• 1回の事前学習フェーズを用いることで、複数のトランスデューサー構成に対して再トレーニングなしで高速なオンライン推論が可能となる。
• 可変密度を伴うスカラー音波方程式の物理を要約関数に統合し、データ圧縮が波動伝搬の物理法則を尊重することを保証する。

Figure 1: Proposed transcranial image reconstruction framework with normalizing flows for uncertainty quantification.

実験結果

リサーチクエスチョン

• RQ1 物理的制約を組み込んだ要約統計量は、物理的整合性を損なわずに、頭蓋内超音波画像診断における高次元データの効率的圧縮を可能にするか？
• RQ2 アンモライズド正規化フローは、FWIと同等の画像品質を維持しつつ、TUCTにおいて高速かつ補正された不確実性評価を提供できるか？
• RQ3 提案手法は、異なるトランスデューサー源配置や測定幾何構成にどの程度一般化可能か？
• RQ4 モデルが生成する不確実性マップは、臨床的信頼性に求められるように、実際の再構成誤差と相関関係にあるか？
• RQ5 本手法は、物理的モデルのみのFWIと比較して、再構成時間を数分に短縮しながら、画像の再構成精度を維持または向上できるか？

主な発見

• 提案手法はオンライン推論時間を約48秒（44.8 + 3.23秒）に短縮し、FWI（1回あたり約2100秒）と比較して98%の高速化を達成した。
• 本手法はピークサイナリオノイズレシオ（PSNR）38.67を達成し、FWI（33.25）と教師ありU-Net（35.63）を上回り、優れた画像再構成精度を示した。
• 事後分布平均の構造的類似性指数（SSIM）は0.9646であり、FWI（0.9450）とU-Net（0.9332）を上回り、構造の保存性が優れていることを確認した。
• 平均二乗誤差（RMSE）は0.0119であり、FWI（0.0215）とU-Net（0.0168）を著しく下回り、再構成精度の向上を示した。
• 事後サンプルからの点ごとの分散は再構成誤差と強く相関しており、不確実性推定が補正されており、臨床的意味を持つことを検証した。
• 本手法は異なるトランスデューサー構成に効果的に一般化可能である：3つの異なる設定について、それぞれ約3分で事後分布平均と不確実性マップが計算可能であり、FWIは1設定あたり約1.5時間を要した。

Figure 2: 2D transcranial ultrasound imaging setup. (a) Ground truth acoustic impedance $\mathbf{x}^{\ast}$ including source/receiver layout; (b) Observed data $\mathbf{y}_{i}$ from a single source; (c) Starting model, $\mathbf{x}_{0}$ , which includes detailed acoustic information on the skull; (d)