[論文レビュー] DELIMIT PyTorch - An extension for Deep Learning in Diffusion Imaging

Simon Koppers, Dorit Merhof|arXiv (Cornell University)|Aug 4, 2018

Advanced Neuroimaging Techniques and Applications参考文献 2被引用数 5

ひとこと要約

DELIMIT PyTorch は、非一様な勾配方向に対応し、局所的な球面畳み込みを用いて近隣情報の保持を図る、拡散MRI用の特殊な深層学習層を導入する。球面調和（SH）変換と局所的球面畳み込みを効率的に行い、SHに基づく処理を高速化するとともに、マルチシェル信号学習をサポートすることで、拡散画像における深層学習の効率性と正確性を顕著に向上させる。

ABSTRACT

DELIMIT is a framework extension for deep learning in diffusion imaging, which extends the basic framework PyTorch towards spherical signals. Based on several novel layers, deep learning can be applied to spherical diffusion imaging data in a very convenient way. First, two spherical harmonic interpolation layers are added to the extension, which allow to transform the signal from spherical surface space into the spherical harmonic space, and vice versa. In addition, a local spherical convolution layer is introduced that adds the possibility to include gradient neighborhood information within the network. Furthermore, these extensions can also be utilized for the preprocessing of diffusion signals.

研究の動機と目的

• 拡散MRIにおける非一様な勾配方向およびb値の問題が深層学習の応用を妨えるという課題に対処する。
• 一貫した信号表現を実現するため、球面表面空間と球面調和（SH）空間との間での効率的かつ安定な変換を可能にする。
• 勾配の近隣関係を組み込むための局所的球面畳み込み層を導入し、マルチシェル信号処理を支援する。
• GPUアクセラレーションと再利用可能な層を用いて、深層学習のトレーニングおよび信号の前処理を容易にする。
• 拡散画像分野における深層学習ワークフローを簡素化する、オープンソースでPyTorchベースの拡張を提供する。

提案手法

• 球面表面空間と球面調和（SH）空間の間で拡散信号を変換する Signal2SH および SH2Signal 層を導入し、安定性を確保するためラプラシアン＝ベルトラミ正則化を適用する。
• 周期的カーネルを用いた局所的球面畳み込み（LSC）層を採用し、球面面上で動作することで方向の近隣関係を保持する。
• カーネルにチャネル次元を追加することでLSCをマルチシェル信号に拡張し、各b値ごとに別々に処理可能とするとともに、マルチb値予測を可能にする。
• 計算効率を高めるために、実装上は畳み込みの代わりに相互相関を用いるが、バックプロパゲーションにおける同等の学習結果を達成する。
• すべての層をGPU実行に最適化することで、大規模な拡散データセットにおけるトレーニングおよび推論時にもリアルタイム性能を確保する。
• b=0測定値を用いた正規化をサポートし、既存のPyTorchニューラルネットワークアーキテクチャにスムーズに統合可能である。

実験結果

リサーチクエスチョン

• RQ1 どのようにして球面調和変換を、拡散MRIにおける深層学習フレームワークに効率的かつ正確に統合できるか？
• RQ2 方向の近隣関係を組み込むことで、局所的球面畳み込みが拡散信号の深層学習性能を向上させられるか？
• RQ3 提案されたフレームワークは、異なるb値を有するマルチシェル拡散データを統一的な学習フレームワークでどのように処理するか？
• RQ4 標準的な深層学習手法と比較して、DELIMIT拡張は処理速度とモデルの正確性をどの程度向上させるか？
• RQ5 このフレームワークは、深層学習のトレーニングおよび拡散MRIデータの前処理の両方で効果的に使用できるか？

主な発見

• Signal2SH および SH2Signal 層は、特に高次のSHや多数のボクセルを扱う場合に高い計算効率を達成し、GPU上でリアルタイム処理を可能にする。
• 局所的球面畳み込み層は方向構造を効果的に保持し、局所的な信号パターンの学習が可能であることが、移動平均フィルタを適用した信号のぼやけた出力によって実証された。
• カーネルに各b値ごとのチャネル次元を追加することで、フレームワークはマルチシェル信号処理をサポートし、マルチシェルデータの統合的モデリングを可能にする。
• 畳み込みの代わりに相互相関を実装することで、計算コストを削減しながらバックプロパゲーションにおける同等のトレーニング挙動を維持できる。
• ツールボックスはSHベースの処理を顕著に高速化し、球面表面空間での信号再構成を可能にすることで、新たな損失関数の導入を可能にする。
• フレームワークは、深層学習のトレーニングおよび単体の前処理の両方に対して適しており、拡散MRI信号操作の統合的ソリューションを提供する。