[논문 리뷰] Deep learning-based prediction of kinetic parameters from myocardial perfusion MRI

Cian M. Scannell, Piet van den Bosch외 4명|arXiv (Cornell University)|2019. 07. 27.

Advanced MRI Techniques and Applications참고 문헌 5인용 수 4

한 줄 요약

이 연구는 동적 대조 강화 MRI 데이터에서 심근 혈류량(MBF)을 예측하기 위해 3차원 컨volution 신경망을 사용하는 딥러닝 모델을 제안한다. 이는 계산 비용이 높은 베이지안 추론을 회피하는 데 목적이 있으며, 평균 픽셀 오차 4%를 달성하고, 처리 시간을 1 슬라이스당 28분에서 2초로 단축시켜 임상 보고서 수준의 진단 정확도를 유지한다.

ABSTRACT

The quantification of myocardial perfusion MRI has the potential to provide a fast, automated and user-independent assessment of myocardial ischaemia. However, due to the relatively high noise level and low temporal resolution of the acquired data and the complexity of the tracer-kinetic models, the model fitting can yield unreliable parameter estimates. A solution to this problem is the use of Bayesian inference which can incorporate prior knowledge and improve the reliability of the parameter estimation. This, however, uses Markov chain Monte Carlo sampling to approximate the posterior distribution of the kinetic parameters which is extremely time intensive. This work proposes training convolutional networks to directly predict the kinetic parameters from the signal-intensity curves that are trained using estimates obtained from the Bayesian inference. This allows fast estimation of the kinetic parameters with a similar performance to the Bayesian inference.

연구 동기 및 목표

• 시간 소모가 큰 베이지안 추론에 의존하지 않고 DCE-MRI에서 심근 순환기 매개변수를 신속하고 자동으로 추정하는 방법을 개발하는 것.
• tracer-kinetic 모델링을 위한 베이지안 매개변수 추정에서 마르코프 체인 몬테카를로(MCMC) 샘플링의 높은 계산 비용을 해결하는 것.
• 이웃 픽셀의 공간적 맥락을 활용하여 AIF와 조직 시간곡선에서 직접 MBF를 예측하는 딥러닝 모델을 구축하는 것.
• 처리 시간을 크게 단축시키면서도 임상 해석 수준의 진단 정확도를 유지하는 것.
• 모델이 명시적인 모델링 없이도 동맥 및 조직 곡선 간의 시간 지연을 암묵적으로 학습할 수 있는지 탐색하는 것.

제안 방법

• 두 개의 브랜치로 구성된 3차원 컨볼루션 신경망이 동맥 입력 함수(AIF)와 심장 근육 조직 곡선의 3×3 이웃 영역을 별도의 입력 스트림으로 처리한다.
• 각 브랜치는 시간 시리즈 곡선에서 특징을 추출하기 위해 컨볼루션 및 맥스 풀링 레이어를 사용하며, ReLU 활성화 함수를 적용한다.
• 두 브랜치에서 학습된 특징는 연결되어 전결합 레이어를 통해 MBF 값을 회귀한다.
• 모델은 9명의 환자로부터 확보한 27,893개의 심근 픽셀에서 MSE 손실 함수를 사용하여 Adam 최적화 알고리즘과 조기 정지 기법을 적용해 훈련된다.
• 조직 곡선의 3×3 이웃 영역을 통해 공간 정규화를 구현하여 부드러운 MBF 지도를 유도한다.
• 훈련 타겟은 MCMC 샘플링을 통한 베이지안 추론으로 계산된 MBF 값이며, 고정밀도 감독을 보장한다.

실험 결과

연구 질문

• RQ1 트레이서-키네틱 모델을 명시적으로 사용하지 않고도 딥러닝 모델이 DCE-MRI 데이터에서 MBF를 정확하게 예측할 수 있는가?
• RQ2 딥러닝 접근 방식이 MBF 지도 기반으로 임상 해석과 동일한 진단 정확도를 달성할 수 있는가?
• RQ3 모델이 합성 데이터의 피니팅 없이도 실제 환자 데이터에 일반화될 수 있는가?
• RQ4 모델이 명시적인 지연 추정 없이도 AIF와 조직 곡선 간의 시간 지연을 암묵적으로 학습할 수 있는가?
• RQ5 정확도를 유지하면서 처리 시간을 분 단위에서 초 단위로 줄일 수 있는가?

주요 결과

• 예측된 MBF 값과 타겟 MBF 값 간의 평균 제곱오차(MSE)는 0.096 mL/min/mL이며, 표준편차는 0.081이다. 이는 평균 픽셀 오차 4%에 해당한다.
• 처리 시간은 베이지안 추론의 28분에서 1 슬라이스당 2초로 단축되어 99%의 속도 향상을 기록했다.
• MBF 지도 기반 진단 정확도는 모든 슬라이스에서 임상 보고서와 일치하여 임상적 관련성을 확인했다.
• 컨볼루션 레이어의 인덕티브 바이어스 덕분에 AIF와 조직 곡선 간의 시간 지연에 대해 불변성을 보였으며, 명시적인 지연 추정이 필요 없어졌다.
• 모의 데이터로 훈련했을 때 성능 향상이 없었지만, 환자 데이터로의 피니팅이 실제 데이터로만 훈련하는 것보다도 유의미한 이점이 없었다.
• 공간 정규화나 모델 용량의 제한으로 인해 베이지안 추론보다 더 부드러운 MBF 지도를 생성했으며, 이는 잠재적인 과도한 스무딩을 시사한다.