[논문 리뷰] AxonNet: A self-supervised Deep Neural Network for Intravoxel Structure Estimation from DW-MRI

Hanna Y. Ehrlich, Mariano Rivera|arXiv (Cornell University)|2021. 03. 19.

Advanced Neuroimaging Techniques and Applications인용 수 4

한 줄 요약

AxonNet는 레이블이 부여된 실제 데이터가 필요 없이 DW-MRI 데이터로부터 비정상성 축성 구조를 추정하기 위해 다층 퍼셉트론(MLP)을 사용하는 자기지도 학습 기반 딥러닝 프레임워크를 제안한다. 이는 합성 데이터 생성을 위해 생성적 확산 다중텐서 모델을 활용하며, 기존 최고 성능(SOTA) 방법에 비해 훨씬 빠른 추론 시간(전체 볼륨을 분 단위로 처리)을 달성하여, 스탠포드 및 현지에서 확보한 하드웨어 데이터를 포함한 합성 및 실제 HARDI 데이터셋에서 성능을 입증하였다.

ABSTRACT

We present a method for estimating intravoxel parameters from a DW-MRI based on deep learning techniques. We show that neural networks (DNNs) have the potential to extract information from diffusion-weighted signals to reconstruct cerebral tracts. We present two DNN models: one that estimates the axonal structure in the form of a voxel and the other to calculate the structure of the central voxel using the voxel neighborhood. Our methods are based on a proposed parameter representation suitable for the problem. Since it is practically impossible to have real tagged data for any acquisition protocol, we used a self-supervised strategy. Experiments with synthetic data and real data show that our approach is competitive, and the computational times show that our approach is faster than the SOTA methods, even if training times are considered. This computational advantage increases if we consider the prediction of multiple images with the same acquisition protocol.

연구 동기 및 목표

• DW-MRI 데이터로부터 비정상성 축성 구조를 추정하기 위한 자기지도 학습 기반 딥러닝 방법을 개발하는 것.
• 실제 레이블이 부여된 데이터의 부족 문제를 해결하기 위해 공식적인 확산 다중텐서 모델을 활용해 합성 신호를 생성하는 것.
• 고각도 해상도 DW-MRI(HARDI/초고각도 해상도)의 계산 효율성을 향상시키기 위해 전체 뇌 볼륨에서 빠른 추론이 가능한 방법을 제공하는 것.
• 합성 및 실제 데이터를 모두 사용하여 다양한 촬영 프로토콜과 공간 지원 영역(바이트 단위 대비 패치 단위)에서의 성능 평가를 수행하는 것.
• 자기지도 학습을 통해 합성 데이터를 활용할 경우, 지도 학습 또는 SOTA 방법과 비교해도 경쟁 가능한 성능을 달성할 수 있음을 입증하는 것.

제안 방법

• 합성 DW-MRI 신호를 알려진 매개변수(고유값, 확산 텐서, 혼합 계수)를 가진 다중텐서 확산 모델을 사용하여 생성함으로써 자기지도 학습 전략을 적용한다.
• DW-MRI 신호 벡터에서 추정된 축성 구조 매개변수(예: 섬유 방향 및 부피 분율)로 회귀하기 위해 다층 퍼셉트론(MLP)을 신경망 아키텍처로 사용한다.
• 두 가지 변형을 적용: 바이트 단위 모델(VOX)과 이웃 영역 기반 모델(NBH)로, 3×3×3 패치의 신호를 사용하여 추정의 안정성을 향상시킨다.
• 신호 정규화(S₀ = 1로 설정) 및 물리적 제약 조건 적용(예: 음이 아닌 혼합 계수(α > 0.1), 정렬된 α 값)를 통해 학습 안정성을 향상시킨다.
• 지정된 예측과 진짜 섬유 방향 분포(FOD) 간의 유사도를 비교하기 위해 워샤르 거리(지구 이동 거리)를 주 손실 함수로 사용하여 각도 오차만을 고려하는 것보다 더 나은 분포 일치를 가능하게 한다.
• 특정 촬영 프로토콜(기울기 방향 및 b-값) 하에서 생성된 합성 데이터로 네트워크를 학습한 후, 미세조정 없이 그대로 실제 데이터에 적용한다.

실험 결과

연구 질문

• RQ1 자기지도 학습 기반 딥러닝 접근법이 실제 레이블이 없는 DW-MRI 데이터로부터 비정상성 축성 구조 추정에서 경쟁 가능한 성능을 달성할 수 있는가?
• RQ2 합성 및 실제 DW-MRI 데이터에서 AxonNet의 정확성과 계산 효율성 측면에서 기존 최고 성능(SOTA) 방법(NNLS, CSD 등)과 비교해 어떻게 성능가능한가?
• RQ3 3×3×3 패치를 통한 이웃 영역의 정보 통합이 바이트 단위 예측에 비해 정확도 향상에 기여하는가?
• RQ4 재학습 없이 다양한 촬영 프로토콜(예: 스탠포드 HARDI 대 현지 325신호 프로토콜) 간에 모델의 일반화 능력은 어느 정도인가?
• RQ5 특히 계산 비용이 큰 SOTA 방법과 비교해 전체 뇌 볼륨에서 실시간 추론을 달성하면서도 높은 정확도를 유지할 수 있는가?

주요 결과

• AxonNet의 이웃 기반 모델(NBH)은 스탠포드 HARDI 데이터셋에서 워샤르 거리 0.81을 기록하여 NNLS(27.08) 및 CSD(6.08)를 모두 능가하며, 더 나은 분포 일치를 보였다.
• 더 높은 노이즈를 포함한 현지 데이터셋에서 NBH는 워샤르 거리 1.90을 기록하여 CSD(8.74) 및 NNLS(114.32)보다 유의미하게 뛰어난 성능을 보이며, 낮은 SNR에 대한 강건성을 입증했다.
• 전체 스탠포드 HARDI 데이터셋에 대한 예측 시간은 VOX 모델을 사용해 0.8분(48초)이었으며, CSD 및 NNLS와 비교해 극적으로 빠른 계산 성능를 보였다.
• VOX 모델은 스탠포드 데이터에서 1.24초, 현지 데이터셋에서 1.24초 동안 학습되었고, NBH 모델은 각각 1.91초 및 3.34초로 복잡한 데이터에서도 효율적인 학습을 수행함을 보였다.
• 시각적 검토 결과 AxonNet의 예측 결과는 고정밀도 및 저오차 케이스 모두에서 진짜 값과 유사하게 나타났으며, CSD 및 NNLS 대비 정확한 피크 탐지 및 더 적은 아티팩트를 보였다.
• 다양한 촬영 프로토콜(예: b-값, 기울기 수(150 대 64), 신호 반복 횟수 등) 간에 재학습 없이도 강력한 일반화 능력을 보였다.