[논문 리뷰] Automatic deep learning-based normalization of breast dynamic contrast-enhanced magnetic resonance images

Jun Zhang, Ashirbani Saha외 2명|arXiv (Cornell University)|2018. 07. 05.

Radiomics and Machine Learning in Medical Imaging참고 문헌 3인용 수 6

한 줄 요약

이 논문은 다양한 스캐너와 프로토콜에서 유방 DCE-MRI 스캔의 자동 강도 정규화를 위한 딥러닝 기반의 파rameter-free 방법을 제안한다. 조직 분할을 통해 공기, 지방, 조밀한 조직, 심장을 강도 기준점으로 식별하고, 환자별 조각별 선형 매핑을 적용하여 환자 간 조직 강도를 일치시켜 픽셀 값과 레디오믹스 특징의 일관성을 크게 향상시킨다. 이는 스캐너 파aram터가 필요로 하지 않는다.

ABSTRACT

Objective: To develop an automatic image normalization algorithm for intensity correction of images from breast dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) acquired by different MRI scanners with various imaging parameters, using only image information. Methods: DCE-MR images of 460 subjects with breast cancer acquired by different scanners were used in this study. Each subject had one T1-weighted pre-contrast image and three T1-weighted post-contrast images available. Our normalization algorithm operated under the assumption that the same type of tissue in different patients should be represented by the same voxel value. We used four tissue/material types as the anchors for the normalization: 1) air, 2) fat tissue, 3) dense tissue, and 4) heart. The algorithm proceeded in the following two steps: First, a state-of-the-art deep learning-based algorithm was applied to perform tissue segmentation accurately and efficiently. Then, based on the segmentation results, a subject-specific piecewise linear mapping function was applied between the anchor points to normalize the same type of tissue in different patients into the same intensity ranges. We evaluated the algorithm with 300 subjects used for training and the rest used for testing. Results: The application of our algorithm to images with different scanning parameters resulted in highly improved consistency in pixel values and extracted radiomics features. Conclusion: The proposed image normalization strategy based on tissue segmentation can perform intensity correction fully automatically, without the knowledge of the scanner parameters. Significance: We have thoroughly tested our algorithm and showed that it successfully normalizes the intensity of DCE-MR images. We made our software publicly available for others to apply in their analyses.

연구 동기 및 목표

• 다양한 MRI 스캐너와 프로토콜로 촬영된 DCE-MRI 스캔에서 발생하는 강도 불일치 문제를 해결하여, 정량적 레디오믹스 및 레디오젠믹스 분석을 가능하게 하기 위해.
• 물리적 스캐너 파aram터나 촬영 메타데이터에 의존하지 않는 완전 자동 정규화 방법을 개발하기 위해.
• 딥러닝을 활용한 조직 분할과 조각별 선형 매핑을 통해 환자 간 조직 강도 범위를 일관되게 유지하기 위해.
• 유방암 분자 아형 분류와 같은 임상 과제에서 레디오믹스 특징의 분류 능력을 향상시키기 위해.
• 연구자들이 DCE-MRI 데이터를 표준화할 수 있도록 공개 가능하고 계산적으로 효율적인 도구를 제공하기 위해.

제안 방법

• 예비 촬영 DCE-MRI 스캔에서 지방, 조밀한 조직, 심장의 세 가지 조직 유형을 분할하기 위해 U-Net 기반의 완전 컨volution 네트워크(FCN)를 훈련한다.
• 네 가지 조직/물질 유형(공기, 지방, 조밀한 조직, 심장)을 강도 기준점으로 사용하여 목표 강도 범위를 정의한다.
• 입력 영상에서 각 조직 유형의 중앙값 강도 값과 해당 목표 범위를 기반으로 환자별 조각별 선형 매핑 함수를 계산한다.
• 각 조직 유형별로 독립적으로 매핑을 적용하여 환자 간 강도 표현이 일관되게 유지되도록 한다.
• 스캐너의 자기장 강도, TR, TE, 또는 대조제 유형에 대한 지식 없이도 이미지 콘텐츠에만 의존한다.
• 정규화 파이프라인은 계산적으로 효율적이며, 3D 볼륨당 총 처리 시간이 25초 이내이다.

실험 결과

연구 질문

• RQ1 딥러닝 기반의 분할 접근법을 통해 스캐너 파aram터 정보 없이도 자동으로 DCE-MRI 강도 정규화가 가능할 수 있는가?
• RQ2 조직 특화 강도 기준점에 기반한 조각별 선형 매핑이 유방 DCE-MRI에서의 스캐너 간 강도 변동성을 줄이는가?
• RQ3 제안된 정규화 방법이 분자 아형 분류에 있어 레디오믹스 특징의 분류 능력을 어느 정도 향상시키는가?
• RQ4 이 방법은 다양한 MRI 스캐너, 자기장 강도, 촬영 프로토콜에 대해 얼마나 강건한가?
• RQ5 부정확한 분할 마스크가 존재하더라도 여전히 효과적인 강도 정규화를 달성할 수 있는가?

주요 결과

• 제안된 방법은 다양한 스캐너와 프로토콜로 촬영된 DCE-MRI 스캔 간 픽셀 강도 분포의 일관성을 크게 향상시켰다.
• 정규화 후, 동일한 조직 유형(예: 지방 또는 조밀한 조직)의 평균 강도가 환자 간에 좁고 일관된 범위로 정렬되었다.
• 정규화된 영상에서 추출한 레디오믹스 특징은 원본 비정규화 영상의 특징보다 유방암 분자 아형 분류에서 더 높은 분류 능력을 보였다.
• 3D DCE-MRI 볼륨당 평균 계산 시간은 24.4초였으며(512×512×90), 조밀한 조직 분할이 가장 시간이 오래 걸리는 단계였다(13.6초).
• 학습 마스크의 불완전함에도 불구하고, 예측된 분할 마스크는 낮은 품질의 비지도 생성된 학습 마스크보다 품질이 뛰어났다.
• 정규화 방법은 대부분의 레디오믹스 특징에 대해 강도 격차를 효과적으로 줄였지만, 노이즈 관련 차이(예: F6 특징의 SER 표준편차는 여전히 높았다)는 보완하지 못했다.