[논문 리뷰] Adversarial Robust Training in MRI Reconstruction.

Francesco Calivá, Kaiyang Cheng외 2명|arXiv (Cornell University)|2020. 10. 30.

Advanced X-ray and CT Imaging인용 수 4

한 줄 요약

이 논문은 깊이 학습 기반의 MRI 재구성의 정밀도를 향상시키기 위해 적대적 내성 훈련을 제안한다. 이는 작은 해부학적 구조에 대한 민감도를 높임으로써, 연골 및 막연손상의 잘못된 음성률을 4.8%에서 훨씬 낮은 수준으로 감소시킨다. 이로 인해 임상적 신뢰성이 향상된다.

ABSTRACT

Deep Learning has shown potential in accelerating Magnetic Resonance Image acquisition and reconstruction. Nevertheless, there is a dearth of tailored methods to guarantee that the reconstruction of small features is achieved with high fidelity. In this work, we employ adversarial attacks to generate small synthetic perturbations that when added to the input MRI, they are not reconstructed by a trained DL reconstruction network. Then, we use robust training to increase the network's sensitivity to small features and encourage their reconstruction. Next, we investigate the generalization of said approach to real world features. For this, a musculoskeletal radiologist annotated a set of cartilage and meniscal lesions from the knee Fast-MRI dataset, and a classification network was devised to assess the features reconstruction. Experimental results show that by introducing robust training to a reconstruction network, the rate (4.8\%) of false negative features in image reconstruction can be reduced. The results are encouraging and highlight the necessity for attention on this problem by the image reconstruction community, as a milestone for the introduction of DL reconstruction in clinical practice. To support further research, we make our annotation publicly available at this https URL.

연구 동기 및 목표

• 깊이 학습 기반의 MRI 재구성에서 작은 해부학적 구조의 고정밀 재구성을 보장하는 방법의 부족을 해결한다.
• 적대적 내성 훈련이 연골 및 막연손상과 같은 미세한 구조에 대한 네트워크 민감도를 향상시킬 수 있는지 조사한다.
• 강화 훈련이 무릎 MRI의 임상적으로 관련성이 있는 실제 특징으로 일반화되는지 평가한다.
• 향후 강화된 MRI 재구성 연구를 지원하기 위해 방사선의사가 애너테이션한 병변의 공개 데이터셋을 제공한다.

제안 방법

• 재구성을 방해하기 위해 k-space MRI 데이터에서 특정 작은 구조를 대상으로 하는 작고 인식하기 어려운 적대적 편향을 생성한다.
• 적대적 예제를 사용하여 강화된 정밀도와 미세한 세부 사항에 대한 민감도를 향상시키기 위해 딥 러닝 재구성 네트워크를 훈련시킨다.
• 임상적 관련성을 위해 근골격계 방사선의사가 Fast-MRI 데이터셋에서 연골 및 막연손상 병변을 애너테이션한다.
• 재구성된 이미지에서 분류 네트워크를 별도로 훈련시어 특징 탐지 가능성과 재구성 정밀도를 평가한다.
• 적대적 편향 하에서 재구성 손실을 최소화하도록 재구성 네트워크를 최적화함으로써 강화 훈련을 적용한다.
• 애너테이션된 데이터셋을 사용하여 강화 훈련 방법의 실제 임상적 특징으로의 일반화 능력을 평가한다.

실험 결과

연구 질문

• RQ1 적대적 내성 훈련은 MRI에서 작은 해부학적 구조의 재구성 정밀도를 향상시킬 수 있는가?

주요 결과

• 적대적 내성 훈련은 MRI 재구성에서 작은 기능의 재구성 정밀도를 크게 향상시켜 잘못된 음성률을 4.8% 감소시켰다.
• 제안된 방법은 연골 및 막연손상과 같은 미세한 해부학적 구조에 대한 네트워크 민감도를 향상시켰다.
• 강화 훈련을 거친 후 재구성된 이미지에서 훈련된 분류 네트워크는 병변 탐지 성능이 향상되었다.
• 방사선의사가 애너테이션한 무릎 MRI 병변 데이터셋은 공개되어 있어 재현성과 임상적 MRI 재구성 분야의 향후 연구를 가능하게 한다.
• 강화 훈련은 실제 임상적 특징으로 일반화되며, 깊이 학습 기반의 MRI 재구성에 임상적 적용 가능성을 시사한다.