[논문 리뷰] Correcting differences in multi-site neuroimaging data using Generative Adversarial Networks

Harrison Nguyen, Richard W. Morris외 3명|arXiv (Cornell University)|2018. 03. 26.

Advanced Neuroimaging Techniques and Applications참고 문헌 39인용 수 4

한 줄 요약

이 논문은 비선형적이고 사이트별로 특화된 다중 사이트 구조적 MRI 데이터의 차이를 보정하기 위해 GAN 기반 방법을 제안한다. 이는 편향 원인에 대한 사전 지식이 없이도 작동한다. 두 스캐너 사이트 간의 도메인 불변 변환을 학습함으로써 스캐너 유발 변동성을 줄이고 임상적으로 관련성이 있는 정보를 유지하면서, 성별 및 정신분열증 진단의 분류 정확도를 선형 방법보다 크게 향상시킨다.

ABSTRACT

Magnetic Resonance Imaging (MRI) of the brain has been used to investigate a wide range of neurological disorders, but data acquisition can be expensive, time-consuming, and inconvenient. Multi-site studies present a valuable opportunity to advance research by pooling data in order to increase sensitivity and statistical power. However images derived from MRI are susceptible to both obvious and non-obvious differences between sites which can introduce bias and subject variance, and so reduce statistical power. To rectify these differences, we propose a data driven approach using a deep learning architecture known as generative adversarial networks (GANs). GANs learn to estimate two distributions, and can then be used to transform examples from one distribution into the other distribution. Here we transform T1-weighted brain images collected from two different sites into MR images from the same site. We evaluate whether our model can reduce site-specific differences without loss of information related to gender (male, female) or clinical diagnosis (schizophrenia, bipolar disorder, healthy). When trained appropriately, our model is able to normalise imaging sets to a common scanner set with less information loss compared to current approaches. An important advantage is our method can be treated as a black box that does not require any knowledge of the sources of bias but only needs at least two distinct imaging sets.

연구 동기 및 목표

• 다중 사이트 뇌 영상 연구에서 스캐너 유발 변동성의 문제를 다루며, 이는 통계적 검정력과 재현 가능성을 떨어뜨린다.
• 편향 원인을 알지 못해도 되는 사후적, 데이터 기반 방법을 개발하여 사이트 간 MRI 데이터를 정규화한다.
• 성별 및 진단과 같은 임상적으로 관련성이 있는 정보를 유지하면서 T1 강도 뇌 영상에서 사이트 특화된 잡음을 줄인다.
• 딥 러닝 생성 모델인 GAN이 기존 선형 또는 가우시안 프로세스 회귀보다 복잡한 비선형 사이트 간 차이를 보다 효과적으로 보정함을 보여준다.

제안 방법

• 한 사이트에서 획득한 T1 강도 MRI 영상에서 목표 사이트의 영상 분포로의 매핑을 학습하기 위해 조건부 생성 대안 네트워크(cGAN)를 훈련한다.
• 스킵 연결을 갖춘 U-Net 기반 생성자로 이미지 번역 중 공간적 세부 정보를 유지하고, 국소적 이미지 현실감을 평가하기 위해 PatchGAN 판별자를 사용한다.
• 실제 이미지와 생성된 이미지 간의 차이를 최소화하기 위해 적대적 손실을 사용하고, 구조적 충실도를 확보하기 위해 사이클 일致성 손실을 적용한다.
• 훈련된 GAN을 사용해 원천 사이트의 중앙 sagittal 슬라이스를 목표 사이트의 분포에 맞게 변환하여 도메인 적응을 가능하게 한다.
• 생물학적 신호 유지 여부를 평가하기 위해 후행 분류 작업(성별 및 정신분열증)을 사용해 성능을 평가한다.
• 기준선으로 선형 회귀 및 가우시안 프로세스 회귀를 비교하며, 분류 정확도와 통계적 불변성 지표를 사용한다.

실험 결과

연구 질문

• RQ1 GAN 기반 방법은 편향 원인을 사전에 알지 못해도 다중 사이트 구조적 MRI 데이터의 비선형적이고 사이트 특화된 차이를 효과적으로 줄일 수 있는가?
• RQ2 GAN 변환은 스캐너 유발 변동성을 최소화하면서도 성별 및 진단과 같은 임상적으로 관련성이 있는 정보를 유지하는가?
• RQ3 진단 및 인구통계학적 레이블에 대해 분류 정확도 측면에서 GAN 기반 정규화는 선형 및 가우시안 프로세스 회귀보다 어떻게 비교되는가?
• RQ4 가장 중요한 이미지 변환은 뇌의 어느 영역에서 발생하는가? 이러한 영역들은 성별 또는 질병과 관련된 알려진 해부학적 차이와 관련이 있는가?

주요 결과

• GAN 기반 방법은 선형 회귀 및 가우시안 프로세스 회귀보다 성별 분류 정확도를 크게 향상시켜 생물학적으로 관련성이 있는 구조의 보존이 뛰어나다는 것을 시사한다.
• 모델는 변환된 이미지가 두 스캐너 사이에서 분류 작업에서 식별 불가능할 정도로 사이트 간 차이를 줄여 도메인 정렬이 효과적으로 이루어졌음을 시사한다.
• 정신분열증 환자와 건강한 대조군을 구분하는 데서도 GAN이 선형 및 GP 회귀를 능가하여 비선형적 사이트 효과가 딥 생성 모델링을 통해 더 잘 보정되었음을 나타낸다.
• 대부분의 이미지 변환은 편도체 및 뇌간과 같은 영역에서 발생했으며, 이는 남성과 여성 간에 알려진 차이가 있는 영역이므로, 생물학적으로 관련성이 있는 영역에서 일관성 향상이 이루어졌음을 시사한다.
• 복잡한 조직 대비(예: 회색-백색질 경계)를 보이는 영역에서도 편향 필드 유사 변동성을 성공적으로 줄였다.
• 중심 sagittal 슬라이스만 사용했음에도 불구하고 GAN 모델이 충분한 공간적 맥락을 포착해 후행 분류 성능을 향상시켜 제한된 입력 차원성에 대한 강건성을 보였다.