[論文レビュー] Operational Learning-based Boundary Estimation in Electromagnetic Medical Imaging

Ahmed Al-Saffar, Anthony E. Stancombe+2 more|arXiv (Cornell University)|Aug 4, 2021

Microwave Imaging and Scattering Analysis参考文献 41被引用数 6

ひとこと要約

本論文では、画像化の際に通常は破棄される同じマイクロ波データのみを用いて、電磁医療画像化対象の境界を学習ベースで推定する手法を提案する。16要素のアレイアンテナ（0.7–1.6 GHz）から得られた反射係数を用いてニューラルネットワークを学習させた結果、臨床試験で平均Huモーメント不一致度が0.012に達し、追加のセンサーや複雑なハードウェアを必要とせずに、高速かつ高精度な境界検出が可能となった。

ABSTRACT

Incorporating boundaries of the imaging object as a priori information to imaging algorithms can significantly improve the performance of electromagnetic medical imaging systems. To avoid overly complicating the system by using different sensors and the adverse effect of the subject's movement, a learning-based method is proposed to estimate the boundary (external contour) of the imaged object using the same electromagnetic imaging data. While imaging techniques may discard the reflection coefficients for being dominant and uninformative for imaging, these parameters are made use of for boundary detection. The learned model is verified through independent clinical human trials by using a head imaging system with a 16-element antenna array that works across the band 0.7-1.6 GHz. The evaluation demonstrated that the model achieves average dissimilarity of 0.012 in Hu-moment while detecting head boundary. The model enables fast scan and image creation while eliminating the need for additional devices for accurate boundary estimation.

研究の動機と目的

• 画像化に用いられる同じEMデータから対象の境界を推定することで、レーザーなどの外部センサーの必要性を排除すること。
• 境界情報の事前知識としての統合により、画像化の精度を向上させるとともに、計算複雑度を低減すること。
• フォームド・データから臨床的実際の人間被験にまで一般化可能な、頑健なデータ駆動型境界推定モデルの開発。
• 共鳴周波数シフトやマッチドフィルタリングといった従来手法の限界を克服すること。これらの手法は一般化性が低く、信号分解能に非常に敏感である。

提案手法

• 0.7–1.6 GHzで動作する16要素アレイアンテナを用いて収集した反射係数データを学習対象とする深層ニューラルネットワークを構築。
• 従来、情報のないものとみなされて破棄されていた生の反射係数を、順序付き複素数データとして扱い、境界推定に活用。
• シミュレーションデータとフォームドデータの組み合わせを用いて、EM反射と物体輪郭の非線形関係を学習。
• 周波数分解能が低下した信号に対しても耐性を持つよう、ネットワークアーキテクチャを設計。
• 体内頭部スキャンを含む独立した臨床的ヒューマン試験で一般化性能を検証。
• 形状の事前知識（例：凸性、対称性）に基づく推論後処理による誤差補正を、将来的な改善策として提案。

実験結果

リサーチクエスチョン

• RQ1 標準的なEM画像化データからの反射係数を、追加センサーを用いずに、対象の境界推定に効果的に活用できるか？
• RQ2 フォームドデータで訓練された学習モデルが、実臨床的ヒューマン被験にまで一般化できる程度の性能を示すか？
• RQ3 境界推定精度という観点から、共鳴周波数シフトやマッチドフィルタリングといった既存手法と比較して、本手法の性能はどの程度か？
• RQ4 信号劣化要因（例：サブサンプリング、空気泡、頭部の動き）に対して、モデルの耐性はどの程度高いか？

主な発見

• 臨床的頭部画像化試験において、平均Huモーメント不一致度が0.012に達し、高い境界推定精度を示した。
• 訓練データ範囲外の距離（例：最小訓練距離未満、約1 mmまで）に対しても、境界推定が成功しており、訓練データ範囲外への一般化が可能である。
• 反射係数データを1/8の解像度にサブサンプリングした場合、誤差は0.016%増加にとどまり、共鳴周波数シフト手法とは異なり、顕著な性能劣化を示さない。
• 全評価指標において、共鳴周波数シフトおよびマッチドフィルタリング手法を上回り、より低い誤差率と高い耐性を示した。
• 接触圧力が高い頭部の基部で最も高い精度を示し、空気泡がカップリング媒体に存在する上部ではわずかに精度が低下した。
• 推定誤差と被験者の性別との間に顕著な相関は認められず、髪の毛や軟部組織の変動による影響は最小限であることが示唆された。