[論文レビュー] Choice of training label matters: how to best use deep learning for quantitative MRI parameter estimation

Sean C. Epstein, Timothy Bray+2 more|arXiv (Cornell University)|May 11, 2022

Non-Destructive Testing Techniques参考文献 20被引用数 4

ひとこと要約

本論文は、qMRIパrameter推定における教師あり深層学習が、標準的な教師データラベルの代わりに、データから独立して計算された最尤推定値（MLEs）を用いることで、従来は自己教師あり手法でのみ達成可能だった低バイアス性能を達成できることを示している。提案手法は、ラベル選択によるバイアスと分散の調整が可能な1つの教師ありフレームワーク内で、低バイアスと低分散の両方を統合し、バイアスと分散の間のトレードオフを柔軟に制御可能である。

ABSTRACT

Deep learning (DL) is gaining popularity as a parameter estimation method for quantitative MRI. A range of competing implementations have been proposed, relying on either supervised or self-supervised learning. Self-supervised approaches, sometimes referred to as unsupervised, have been loosely based on auto-encoders, whereas supervised methods have, to date, been trained on groundtruth labels. These two learning paradigms have been shown to have distinct strengths. Notably, self-supervised approaches have offered lower-bias parameter estimates than their supervised alternatives. This result is counterintuitive - incorporating prior knowledge with supervised labels should, in theory, lead to improved accuracy. In this work, we show that this apparent limitation of supervised approaches stems from the naive choice of groundtruth training labels. By training on labels which are deliberately not groundtruth, we show that the low-bias parameter estimation previously associated with self-supervised methods can be replicated - and improved on - within a supervised learning framework. This approach sets the stage for a single, unifying, deep learning parameter estimation framework, based on supervised learning, where trade-offs between bias and variance are made by careful adjustment of training label.

研究の動機と目的

• 教師あり深層学習がqMRIパラメータ推定において、より多くの情報を得ているにもかかわらず自己教師あり手法よりも高いバイアスを示すという直感に反する事実を解明すること。
• 教師あり学習における高いバイアスが、学習アーキテクチャ自体の問題ではなく、訓練ラベルの選択に起因するかどうかを調査すること。
• 自己教師あり手法が達成する低バイアス性能を再現し、それを超える新しい教師あり深層学習フレームワークを開発すること。
• ラベル選択を戦略的に行うことで、バイアスと分散の両方を1つの教師あり学習フレームワーク内で統合的に制御すること。
• 信号モデルのフィッティングと訓練損失関数を分離することで、qMRI用の深層学習モデルをタスク固有に柔軟に最適化可能にする。

提案手法

• 著者らは、教師あり学習における標準的な真値ラベルを、同じノイズを含む入力データから独立して計算されたqMRIパラメータの最尤推定値（MLEs）に置き換える。
• これらのMLEsが深層ニューラルネットワーク（DNN）の訓練ラベルとして機能し、ノイズを含むqMRI信号曲線からパラメータ推定値を学習する。
• この手法は、教師あり学習の計算効率とスケーラビリティを維持しながら、真値ラベルに内在するノイズに起因するバイアスを回避することで、バイアスを低減する。
• パラメータごとの損失関数の重み付けを柔軟に設定でき、臨床的に関心の高いパラメータの推定精度を優先できる。
• Ricianノイズモデルを訓練プロセスに組み込むことで、低SNR（信号対雑音比）条件下での性能が向上する。
• 信号モデルと訓練損失関数を分離することで、微分不可能な信号モデルの推定も可能になる。

実験結果

リサーチクエスチョン

• RQ1 教師あり深層学習がqMRIパラメータ推定において、より多くの情報を有しているにもかかわらず自己教師あり手法よりも高いバイアスを示すのはなぜか？
• RQ2 自己教師あり手法の低バイアス性能が、教師あり学習フレームワーク内でも再現可能か？
• RQ3 真値ラベルの代わりにMLEから導かれたラベルを用いることで、qMRIにおける教師あり深層学習のバイアス特性が改善されるか？
• RQ4 統合された教師あり学習フレームワークにより、qMRIパラメータ推定におけるバイアスと分散の間のトレードオフを調整可能か？
• RQ5 モデルの柔軟性、ノイズモデルの統合、パラメータの優先順位付けの観点から、MLEベースのラベルが真値ラベルよりも優れている点は何か？

主な発見

• 真値ラベルの代わりにMLEから導かれたラベルを教師あり学習に用いることで、特に低SNR（例：SNR = 15）条件下で、自己教師あり手法と同等またはそれ以上の低バイアス性能が達成された。
• 複数のパラメータ値とノイズレベルにおいて、本手法は真値ラベルを用いた教師あり学習および自己教師あり手法と比較して、より低いバイアスと同等または優れた平均二乗誤差（RMSE）を達成した。
• 低SNR（15）条件下では、MLEで訓練された教師ありモデルが、真値ラベルで訓練されたモデルと比較して顕著にバイアスが低減されており、特に極端なパラメータ値（例：D_slow = 0.69およびD_slow = 2.71）に対して顕著であった。
• 本手法により、パラメータごとの損失関数の重み付けが柔軟に可能となり、臨床的関心の高い特定のqMRIパラメータの推定精度を優先できる。
• Ricianノイズモデルを訓練プロセスに組み込むことで、特に遅い拡散係数（D_slow）の推定性能が向上し、低SNR条件下での性能が向上した。
• 信号モデルと訓練損失関数を分離することで、微分不可能な信号モデルの推定が可能になり、適用可能なqMRIモデルの範囲が拡張された。