[논문 리뷰] Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images

Alessandro Sciarra, Soumick Chatterjee외 5명|arXiv (Cornell University)|2022. 06. 14.

Radiomics and Machine Learning in Medical Imaging인용 수 4

한 줄 요약

이 논문은 뇌 MRI 영상에서 운동 아티팩트를 감지하고 정량화하기 위해 구조적 유사도 지수(SSIM)를 회귀하는 딥러닝 기반의 자동화되고 參照 없는 영상 품질 평가 방법을 제안한다. 인위적으로 손상된 영상에서 대trast 증강을 적용한 ResNet-18을 훈련시켜, 높은 정밀도로 SSIM 예측(μ = −0.0009, σ = 0.0139)을 달성하고, 운동 심각도 3단계에 대해 최대 97%의 분류 정확도를 확보한다.

ABSTRACT

Motion artefacts in magnetic resonance brain images can have a strong impact on diagnostic confidence. The assessment of MR image quality is fundamental before proceeding with the clinical diagnosis. Motion artefacts can alter the delineation of structures such as the brain, lesions or tumours and may require a repeat scan. Otherwise, an inaccurate (e.g. correct pathology but wrong severity) or incorrect diagnosis (e.g. wrong pathology) may occur. " extit{Image quality assessment}" as a fast, automated step right after scanning can assist in deciding if the acquired images are diagnostically sufficient. An automated image quality assessment based on the structural similarity index (SSIM) regression through a residual neural network is proposed in this work. Additionally, a classification into different groups - by subdividing with SSIM ranges - is evaluated. Importantly, this method predicts SSIM values of an input image in the absence of a reference ground truth image. The networks were able to detect motion artefacts, and the best performance for the regression and classification task has always been achieved with ResNet-18 with contrast augmentation. The mean and standard deviation of residuals' distribution were $μ=-0.0009$ and $σ=0.0139$, respectively. Whilst for the classification task in 3, 5 and 10 classes, the best accuracies were 97, 95 and 89\%, respectively. The results show that the proposed method could be a tool for supporting neuro-radiologists and radiographers in evaluating image quality quickly.

연구 동기 및 목표

• 기본 이미지가 없는 상태에서 운동 아티팩트를 감지하고 정량화할 수 있는 자동화되고 參照 없는 뇌 MRI 영상 품질 평가(IQA) 도구를 개발하는 것.
• T1, T2, PD, FLAIR 등 다양한 MRI 영상 대비, 해상도, 방향성에 걸쳐 견고한 성능을 보장하는 것.
• 임상 영상 프로토콜의 다양성을 시뮬레이션하기 위해 훈련 중에 대trast 증강을 도입하여 일반화 능력을 향상시키는 것.
• 모델의 성능을 회귀(예: SSIM 예측) 및 분류(예: 운동 심각도 수준) 작업 모두에서 평가하는 것.
• 주관적인 방사선의학적 평가에 대한 빠르고 객관적이며 신뢰할 수 있는 대안을 제공하는 것.

제안 방법

• 모델은 參照 이미지가 필요 없이 단일 입력 MRI 영상에서 SSIM 값을 회귀하기 위해 잔차 신경망(ResNet-18 및 ResNet-101)을 활용한다.
• 인위적인 운동 아티팩트는 두 가지 방법으로 생성되었는데, 하나는 Shaw 등에 의한 알고리즘을 구현한 TorchIO 기반 방식이고, 다른 하나는 자체 개발한 알고리즘이다.
• 훈련을 위한 진정한 SSIM 값은 인위적으로 손상된 영상와 원본 아티팩트 없는 영상 간의 비교를 통해 계산되었다.
• 이미지 강도의 변동성을 시뮬레이션하고 다양한 영상 프로토콜에 대한 강인성을 향상시키기 위해 훈련 중에 대trast 증강을 적용하였다.
• SSIM 값을 회귀 목표로 하여 완전히 지도 학습 방식으로 모델을 훈련시켜, 영상 품질 저하 수준을 예측할 수 있도록 하였다.
• 운동 심각도 수준의 분류 작업은 예측된 SSIM 값을 사전 정의된 범위(3개, 5개 또는 10개 클래스)로 분할하여 수행하였다.

실험 결과

연구 질문

• RQ1 참고 이미지가 없는 조건에서 딥러닝 모델이 운동에 의한 손상된 MRI 영상의 SSIM 값을 정확하게 예측할 수 있는가?
• RQ2 대trast 증강이 다양한 MRI 영상 대비와 강도에서 SSIM 회귀 및 분류 모델의 강인성과 성능에 미치는 영향은 어떠한가?
• RQ3 참고 없는 모델에서 예측된 SSIM 값을 활용해 운동 아티팩트 심각도 수준을 분류할 수 있는 정확도는 얼마인가?
• RQ4 기존의 IQA 도구인 MRIQC와 비교했을 때, 제안된 방법은 속도, 정확도, 임상 워크플로우 호환성 측면에서 어떤가?
• RQ5 이 모델은 대비, 해상도, 방향성이 다양한 실제 임상 스캔에 대해 얼마나 잘 일반화되는가?

주요 결과

• 대trast 증강을 적용한 ResNet-18 모델이 가장 우수한 회귀 성능을 보였으며, 잔차 평균은 −0.0009, 표준편차는 0.0139로, 거의 완벽한 SSIM 예측 정확도를 나타냈다.
• 운동 분류 작업에서는 3개의 심각도 클래스에서 97%의 정확도, 5개 클래스에서는 95%, 10개 클래스에서는 89%의 정확도를 달성하였다.
• 의도한 바와 같이, T1, T2, PD, FLAIR 등 다양한 MRI 대비, 해상도, 영상 방향성에 걸쳐 높은 강인성을 보였다.
• 추론 시간은 MRIQC보다 크게 빠르며, GPU에서 36개 볼륨에 대해 8.84초, CPU에서 12개 볼륨에 대해 15분이 소요되었다.
• 모델은 RAM 4GB, 약 1GB VRAM만을 요구하여, MRIQC가 요구하는 49GB RAM과 다수의 복잡한 종속성 없이도 표준 임상 하드웨어에 배포 가능하다.
• 품질 지표에서 MRIQC와 75%의 일치도를 보였고, 주관적인 전문가 평가와도 75%의 일치도를 보여, 임상적 관련성을 입증하였다.