[논문 리뷰] Angular Super-Resolution in Diffusion MRI with a 3D Recurrent Convolutional Autoencoder

Matthew Lyon, Paul Armitage외 1명|arXiv (Cornell University)|2022. 03. 29.

Advanced Neuroimaging Techniques and Applications인용 수 6

한 줄 요약

이 논문은 구면 조화 함수에 의존하지 않고, 저해상도 데이터로부터 직접 고각해상도 q-공간 신호를 추론함으로써 확산 MRI에서의 각도 초해상도를 수행하기 위해 ConvLSTM 셀을 갖춘 3D 순환 합성곱 오토에인코더를 제안한다. 이 방법은 다양한 b-값과 하향샘플링 설계에서 최신 기술 수준의 성능을 달성하며, 특히 매우 낮은 각도 해상도 영역에서 가장 낮은 오차율을 보인다.

ABSTRACT

High resolution diffusion MRI (dMRI) data is often constrained by limited scanning time in clinical settings, thus restricting the use of downstream analysis techniques that would otherwise be available. In this work we develop a 3D recurrent convolutional neural network (RCNN) capable of super-resolving dMRI volumes in the angular (q-space) domain. Our approach formulates the task of angular super-resolution as a patch-wise regression using a 3D autoencoder conditioned on target b-vectors. Within the network we use a convolutional long short term memory (ConvLSTM) cell to model the relationship between q-space samples. We compare model performance against a baseline spherical harmonic interpolation and a 1D variant of the model architecture. We show that the 3D model has the lowest error rates across different subsampling schemes and b-values. The relative performance of the 3D RCNN is greatest in the very low angular resolution domain. Code for this project is available at https://github.com/m-lyon/dMRI-RCNN.

연구 동기 및 목표

• 제한된 임상 스캔 시간으로 인해 고각해상도 확산 MRI(dMRI) 촬영이 제한되는 문제를 해결한다.
• 기존의 각도 초해상도 방법이 구면 조화 함수나 후행 메트릭에 의존하는 점을 극복하기 위해 직접 원시 dMRI 신호를 추론한다.
• q-공간 내 공간적 및 각도적 상관관계를 모델링하기 위해 3D 순환 아키텍처를 개발하여 재구성 정밀도를 향상시킨다.
• 다양한 각도 해상도와 b-값, 다중쉘 추론을 포함하여 모델 성능을 평가한다.
• 구면 조화 분해를 피하는 방식으로 비제약 dMRI 데이터를 딥러닝에 활용할 수 있음을 입증한다.

제안 방법

• 3D 오토에인코더 아키텍처를 사용하여 패치 기반 회귀 문제로 각도 초해상도를 공식화한다.
• q-공간 샘플 간 시간적 및 공간적 의존성을 모델링하기 위해 3D 합성곱 장기 단기 기억(ConvlSTM) 셀을 통합한다.
• 재구성의 지도를 내기 위해 목표 b-벡터를 오토에인코더에 조건화한다.
• WU-Minn Human Connectome Project(HCP) 데이터셋에서 평균 절대 오차(MAE)와 구조적 유사도(MSSIM)를 손실 함수로 사용하여 모델을 엔드 투 엔드로 훈련한다.
• 3D RCNN을 구면 조화 함수(SH) 보간 기반 모델과 1D RCNN 변종과 비교하며, 동일한 조건에서 훈련 및 평가한다.
• 다중 b-값에 대한 별도 및 통합 훈련을 가능하게 하여 다중쉘 초해상도 능력을 평가한다.

실험 결과

연구 질문

• RQ1 3D 순환 합성곱 오토에인코더는 dMRI 데이터의 각도 초해상도에서 구면 조화 함수 보간법과 1D 아키텍처를 능가할 수 있는가?
• RQ2 ConvlSTM을 통한 3D 공간적 및 시간적(q-공간) 모델링이 비순환 또는 저차원 모델에 비해 재구성 정확도를 얼마나 향상시키는가?
• RQ3 매우 낮은 각도 해상도 영역(예: q_in = 6)에서 3D RCNN의 성능 향상은 어떠한가?
• RQ4 통합 훈련을 통해 다중 b-값 간 일반화가 가능한가? 이는 재구성 품질에 어떤 영향을 미치는가?
• RQ5 제안된 방법이 분수 이방성도(FA)와 같은 조직 특이적 지표를 얼마나 잘 유지하며, 백질 및 회색질 영역에서 오차를 얼마나 줄이는가?

주요 결과

• 3D RCNN는 모든 b-값과 하향샘플링 비율에서 평균 절대 오차(MAE) 42.6 ± 5.5를 기록하여, SH 보간 기반 기준선 및 1D RCNN를 크게 앞서는 성능을 보였다.
• 매우 낮은 각도 해상도 영역(q_in = 6)에서, 3D RCNN는 기준선 대비 23.8%의 MAE 감소와 1D RCNN 대비 12.5%의 감소를 기록했다.
• 3D RCNN는 평균 구조적 유사도 지수(MSSIM) 0.9633 ± 0.0088을 달성하여 재구성된 dMRI 볼륨의 높은 시각적 및 구조적 정밀도를 나타냈다.
• 백질(0.0353)과 회색질(0.0357) 영역에서 분수 이방성도(FA) 절대 오차가 가장 낮아, 모든 기준선 대비 조직 특이적 오차 지표에서 뛰어난 성능을 보였다.
• 다중 b-값 통합 훈련 설정에서 MAE는 44.8 ± 6.2를 기록하여 개별 훈련 모델 대비 성능 저하가 미미하여 다중쉘 추론에 대한 강건성을 입증했다.
• 시각적 및 정량적 분석을 통해 3D RCNN가 세밀한 각도 구조를 유지하고 특히 후행 분석에 중요한 백질 영역에서 아티팩트를 감소시켰다.