[논문 리뷰] A Tool for Super-Resolving Multimodal Clinical MRI

Mikael Brudfors, Yaël Balbastre외 2명|arXiv (Cornell University)|2019. 09. 03.

Generative Adversarial Networks and Image Synthesis참고 문헌 49인용 수 4

한 줄 요약

이 논문은 학습 또는 수동 튜닝이 필요 없이, 다중 모odal 임상 MRI에서 두꺼운 단면 영상의 저해상도 스캔으로부터 고해상도 등방성 영상을 복원하는 데이터에 종속되지 않은 모델 기반 초해상도 도구를 제안한다. 생성 모델과 다중 채널 총 변동성 정규화를 사용하며, 시뮬레이션된 데이터와 실제 임상 데이터에서 기존 기법들보다 뛰어난 성능을 달성한다.

ABSTRACT

We present a tool for resolution recovery in multimodal clinical magnetic resonance imaging (MRI). Such images exhibit great variability, both biological and instrumental. This variability makes automated processing with neuroimaging analysis software very challenging. This leaves intelligence extractable only from large-scale analyses of clinical data untapped, and impedes the introduction of automated predictive systems in clinical care. The tool presented in this paper enables such processing, via inference in a generative model of thick-sliced, multi-contrast MR scans. All model parameters are estimated from the observed data, without the need for manual tuning. The model-driven nature of the approach means that no type of training is needed for applicability to the diversity of MR contrasts present in a clinical context. We show on simulated data that the proposed approach outperforms conventional model-based techniques, and on a large hospital dataset of multimodal MRIs that the tool can successfully super-resolve very thick-sliced images. The implementation is available from https://github.com/brudfors/spm_superres.

연구 동기 및 목표

• 두꺼운 단면과 다양한 대조를 가진 매우 다양성이 큰 임상 MRI 스캔에서 자동화된 신경영상 분석의 과제를 해결하기 위해.
• 새로운 스캔 대조나 해상도 요인에 대해 재학습이 필요 없는 데이터에 종속되지 않은 방법을 개발하기 위해.
• 다양한 MRI 대조 간의 정보 융합을 통해 임상 MRI의 고정밀도 초해상도를 가능하게 하기 위해.
• 보간 기반 업샘플링의 한계를 극복하기 위해, 후속 분석에 잡음과 편향을 유도하는 아티팩트를 줄이기 위해.
• 기존의 인구 대표성 있는 MRI 데이터를 활용한 대규모 임상 연구를 위한 강력하고 일반화 가능한 도구를 제공하기 위해.

제안 방법

• 이 방법은 다중 모달 MRI 스캔의 저해상도(LR) 영상에서 고해상도(HR) 영상을 추론하기 위해 공동 가능도 공식을 사용하는 생성 모델을 활용한다.
• 다른 MRI 대조 간의 기울기 정보를 활용하여 가장자리 유지 성능을 향상시키기 위해 다중 채널 총 변동성(MTV) 정규화를 사용한다.
• 전방 모델은 슬라이스 프로파일 및 갭 파라미터를 포함하며, 단순성을 위해 고정된 값을 가정하지만, 이들을 추정하는 확장 가능성도 논의된다.
• TV 우선순위에서 발생하는 비연속 최적화 문제를 해결하기 위해 ADMM 알고리즘을 사용하는 것이 주요 구성 요소이다.
• 관측된 LR 데이터에 대해 가우시안 가능도를 가정하고, 수렴성과 강건성을 향상시키기 위해 재가중 최소 제곱법을 통한 비정상성 페널티를 사용한다.
• HR 영상의 체계적인 마진화가 가능하며, 공동 분할 및 복원을 위해 변분 베이즈 또는 다변량 정규 분포 혼합 모델로 확장 가능하다.

실험 결과

연구 질문

• RQ1 학습이 필요 없이 두꺼운 단면, 다중 모달 임상 MRI 스캔에서 고해상도 등방성 MRI를 효과적으로 복원할 수 있는 모델 기반 초해상도 접근법이 가능한가?
• RQ2 기존의 보간 기반 및 모델 기반 기법과 비교해 복원된 영상의 품질과 아티팩트 억제 측면에서 제안된 방법은 어떠한가?
• RQ3 단일 채널 정규화에 비해 다중 채널 총 변동성이 복원 정밀도를 얼마나 향상시키는가?
• RQ4 재학습 없이 다양한 임상 MRI 대조 및 스캐너 파rameter에 대해 일반화 가능한가?
• RQ5 다른 대조 간 기울기 정보 융합이 평평한 조직 영역에서 계단 현상 아티팩트를 얼마나 줄이는가?

주요 결과

• 제안된 방법은 시뮬레이션된 데이터에서 기존의 모델 기반 초해상도 기법들보다 뛰어난 성능을 보이며, 특히 구조적 세부 정보 유지와 아티팩트 감소 측면에서 유의미한 개선을 보였다.
• 대규모 실제 임상 데이터셋에서 이 도구는 매우 두꺼운 단면 MRI 스캔을 성공적으로 초해상도로 복원하였으며, 후속 자동 분석에 적합한 품질의 영상을 생성하였다.
• 다중 채널 총 변동성의 사용은 계단 현상 효과를 크게 감소시켰으며, 한 대조에서의 기울기 정보가 다른 대조에서 평탄한 기울기의 보완 역할을 했다.
• 슬라이스 프로파일 및 갭 변화에 대해 강건한 성능를 보였지만, 이러한 파rameter들이 정확히 알려지거나 추정될 경우 성능이 더욱 향상되었다.
• 학습이 필요하지 않기 때문에 다양한 임상 MRI 프로토콜과 스캐너 유형 간에 매우 일반화 가능한 도구이다.
• 구현 코드는 GitHub에 공개되어 있어 재현성과 임상 및 연구 파이프라인 내 통합이 가능하다.