[논문 리뷰] Amortized Normalizing Flows for Transcranial Ultrasound with Uncertainty Quantification

Rafael Orozco, Mathias Louboutin외 4명|arXiv (Cornell University)|2023. 03. 06.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 전두부 초음파 단층촬영을 위한 암모라이즈드 노멀라이징 플로 프레임워크를 제안하며, 전체 파형 역산(FWI) 대비 98% 빠른 속도로 영상 복원을 수행하면서도 캘리브레이션된 불확실성 정량화를 제공한다. 고차원 초음파 데이터를 압축하기 위해 물리 기반 요약 통계량을 사용함으로써, 각 소스당 한 번의 전방/기울기 계산만으로도 빠르고 일반화 가능한 사후 추론이 가능해져 고해상도 복원 영상과 복원 오차와 관련성이 있는 불확실성 맵을 생성한다.

ABSTRACT

We present a novel approach to transcranial ultrasound computed tomography that utilizes normalizing flows to improve the speed of imaging and provide Bayesian uncertainty quantification. Our method combines physics-informed methods and data-driven methods to accelerate the reconstruction of the final image. We make use of a physics-informed summary statistic to incorporate the known ultrasound physics with the goal of compressing large incoming observations. This compression enables efficient training of the normalizing flow and standardizes the size of the data regardless of imaging configurations. The combinations of these methods results in fast uncertainty-aware image reconstruction that generalizes to a variety of transducer configurations. We evaluate our approach with in silico experiments and demonstrate that it can significantly improve the imaging speed while quantifying uncertainty. We validate the quality of our image reconstructions by comparing against the traditional physics-only method and also verify that our provided uncertainty is calibrated with the error.

연구 동기 및 목표

• 전두부 초음파 단층촬영(TUCT)에서 전체 파형 역산(FWI)이 복원당 최대 36시간이 소요될 정도로 계산적으로 비가능한 문제를 해결한다.
• 딥 러닝 기반 영상 촬영에서 고차원적이고 복잡한 초음파 데이터에 도전하기 위해 데이터 압축 과정에 물리적 파동 물리법을 통합한다.
• 재학습 없이 다양한 초음파 전도체 구성에 일반화 가능한 효율적이고 불확실성 인식 영상 복원을 가능하게 한다.
• 복원 오차와 관련성이 있는 캘리브레이션된 베이지안 불확실성 정량화를 제공하여 임상 의사결정의 신뢰도를 향상시킨다.
• 물리 기반 모델링과 데이터 기반 노멀라이징 플로를 결합하여 고속 추론을 실현하면서도 영상 품질과 불확실성 정밀도를 유지하는 방법을 개발한다.

제안 방법

• 원시 초음파 데이터(32개 소스, 256개 수신기, 2377개 시간 단계)를 물리 기반 요약 통계량을 사용해 70배 압축함으로써 입력 차원을 감소시키면서도 물리적 일관성을 유지한다.
• 압축된 요약 통계량을 조건으로 하여 음향 임피던스의 사후 분포를 모델링하기 위해 조건부 노멀라이징 플로를 사용하여 효율적 샘플링과 불확실성 정량화를 가능하게 한다.
• 암모라이즈드 방식으로 노멀라이징 플로를 학습하여 각 소스당 한 번의 전방 및 기울기 평가만으로도 사후 추론이 가능하게 하여 온라인 추론 비용을 극적으로 감소시킨다.
• 베이지안 프레임워크에서 역문제를 설정하여 전체 사후 샘플링과 점별 분산 추정이 가능하게 하여 영상 복원의 불확실성을 반영한다.
• 단일 사전학습 단계를 통해 노멀라이징 플로를 학습함으로써, 재학습 없이도 다양한 초음파 전도체 구성에서 고속 온라인 추론이 가능하게 한다.
• 변동 밀도를 고려한 스칼라 초음파 파동 방정식의 물리 법칙을 요약 함수에 통합하여 데이터 압축이 파동 전파 물리법을 존중하도록 보장한다.

Figure 1: Proposed transcranial image reconstruction framework with normalizing flows for uncertainty quantification.

실험 결과

연구 질문

• RQ1 물리 기반 요약 통계량은 물리적 일관성을 훼손하지 않으면서도 고차원 초음파 영상 촬영을 위한 효율적인 고차원 데이터 압축을 가능하게 할 수 있는가?
• RQ2 암모라이즈드 노멀라이징 플로는 전체 파형 역산과 유사한 영상 품질을 유지하면서도 TUCT에서 고속이고 캘리브레이션된 불확실성 정량화를 제공할 수 있는가?
• RQ3 제안된 방법은 다양한 초음파 전도체 소스 구성과 데이터 수집 기하학에 대해 얼마나 잘 일반화되는가?
• RQ4 모델이 생성한 불확실성 맵은 임상적 신뢰성에 요구되는 바와 같이 실제 복원 오차와 관련성이 있는가?
• RQ5 이 방법은 물리 전용 FWI 대비 복원 시간을 수시간에서 수분으로 단축시키면서도 영상 품질을 유지하거나 향상시킬 수 있는가?

주요 결과

• 제안된 방법은 온라인 추론 시간을 약 48초(44.8 + 3.23초)로 단축하여 전체 파형 역산(FWI)의 약 2100초 대비 98% 향상시켰다.
• 이 방법은 PSNR 38.67을 기록하여 FWI(33.25)와 지도 학습 U-Net(35.63)보다 유의미하게 높은 영상 품질을 확보했다.
• 사후 평균의 구조 유사성 지수(SSIM)는 0.9646으로, FWI(0.9450)와 U-Net(0.9332)를 모두 초월하여 더 나은 구조 보존을 확인했다.
• 근미제곱오차(RMSE)는 0.0119로, FWI(0.0215)와 U-Net(0.0168)보다 유의미하게 낮아 더 높은 복원 정확도를 입증했다.
• 사후 샘플의 점별 분산이 복원 오차와 강하게 상관관계를 보이며, 불확실성 추정치가 캘리브레이션되어 있고 임상적으로 의미 있는 것으로 검증되었다.
• 이 방법은 다양한 초음파 전도체 구성에 효과적으로 일반화된다: 세 가지 다른 설정에 대해 사후 평균과 불확실성 맵을 약 3분 내로 계산할 수 있었으며, FWI는 각 설정당 약 1.5시간이 소요되었다.

Figure 2: 2D transcranial ultrasound imaging setup. (a) Ground truth acoustic impedance $\mathbf{x}^{\ast}$ including source/receiver layout; (b) Observed data $\mathbf{y}_{i}$ from a single source; (c) Starting model, $\mathbf{x}_{0}$ , which includes detailed acoustic information on the skull; (d)