[논문 리뷰] Deep learning brain conductivity mapping using a patch-based 3D U-net

Nils Hampe, Ulrich Katscher외 3명|arXiv (Cornell University)|2019. 08. 12.

Electrical and Bioimpedance Tomography참고 문헌 21인용 수 4

한 줄 요약

이 연구는 전기성질 단층촬영(EPT)을 사용하여 B1 전송 위상 데이터에서 정량적 뇌 전도도 지도를 복원하기 위해 패치 기반 3D U-Net 딥러닝 모델을 제안한다. 가우시안 노이즈를 추가한 시뮬레이션 데이터로 훈련된 네트워크는 높은 품질의 복원을 생성하지만, 실제 생체 내 데이터에 적용할 경우 잡음이 발생한다. 그러나 전통적인 EPT로 유도된 전도도 레이블을 사용해 실제 생체 위상 데이터로 미세조정하면 잡음이 크게 감소하여 실제 촬영 노이즈와 체계적인 차이에 대한 강건성이 향상됨을 보여준다.

ABSTRACT

Purpose: To investigate deep learning electrical properties tomography (EPT) for application on different simulated and in-vivo datasets including pathologies for obtaining quantitative brain conductivity maps. Methods: 3D patch-based convolutional neural networks were trained to predict conductivity maps from B1 transceive phase data. To compare the performance of DLEPT networks on different datasets, three datasets were used throughout this work, one from simulations and two from in-vivo measurements from healthy volunteers and cancer patients, respectively. At first, networks trained on simulations are tested on all datasets with different levels of homogeneous Gaussian noise introduced in training and testing. Secondly, to investigate potential robustness towards systematical differences between simulated and measured phase maps, in-vivo data with conductivity labels from conventional EPT is used for training. Results: High quality of reconstructions from networks trained on simulations with and without noise confirms the potential of deep learning for EPT. However, artifact encumbered results in this work uncover challenges in application of DLEPT to in-vivo data. Training DLEPT networks on conductivity labels from conventional EPT improves quality of results. This is argued to be caused by robustness to artifacts from image acquisition. Conclusions: Networks trained on simulations with added homogeneous Gaussian noise yield reconstruction artifacts when applied to in-vivo data. Training with realistic phase data and conductivity labels from conventional EPT allows for severely reducing these artifacts.

연구 동기 및 목표

• 시뮬레이션 및 생체 내 스캔을 포함한 다양한 데이터셋에서 정량적 뇌 전도도 지도를 생성하기 위한 딥러닝 기반 EPT(DLEPT)의 평가.
• 시뮬레이션 데이터로 훈련된 DLEPT 네트워크가 실제 생체 내 데이터에 적용되었을 때의 강건성 평가.
• 기존 EPT로 유도된 진정 전도도 레이블을 사용해 생체 내 위상 데이터로 훈련하면 복원 품질 향상 및 잡음 감소 여부 조사.
• 건강한 뇌 조직과 병변이 있는 뇌 조직에서 시뮬레이션 데이터로 훈련된 모델과 실제 생체 내 데이터로 훈련된 모델 간 성능 비교.
• 시뮬레이션된 위상 지도와 측정된 위상 지도 간 체계적 차이가 DLEPT 복원 정밀도에 미치는 영향 평가.

제안 방법

• 3D 패치 기반 U-넷 아키텍처를 사용해 B1 전송 위상 데이터에서 전도도 지도를 예측함으로써 국소적 공간 모델링과 볼륨 MRI 데이터의 효율적 처리를 가능하게 함.
• 일반화 및 강건성 평가를 위해 다양한 수준의 균일한 가우시안 노이즈가 첨가된 시뮬레이션 데이터셋으로 네트워크를 먼저 훈련함.
• 다음으로, 건강한 자원자와 암 환자로부터의 생체 내 위상 데이터를 사용해, 기존 EPT로 유도된 전도도 레이블과 함께 모델을 미세조정함.
• 다양한 입력 분포(시뮬레이션 및 실제 스캔) 간 일관성을 확보하기 위해 데이터 증강 및 정규화 기법을 적용함.
• 다양한 데이터셋에서 평균 제곱오차 및 구조적 유사도 지수(SSIM)와 같은 정량적 지표를 사용해 성능 평가함.
• 스킵 연결과 3D 컨볼루션을 활용해 3D 뇌 조직 구조의 계층적 특징을 유지하고 공간 해상도를 보존함.

실험 결과

연구 질문

• RQ1 시뮬레이션된 EPT 데이터로 훈련된 딥러닝 모델이 실질적인 생체 내 뇌 데이터로 일반화되며 복원 품질에 심각한 열화 없이 유지되는가?
• RQ2 생체 내 데이터의 잡음이 시뮬레이션 데이터로만 훈련된 DLEPT 네트워크의 성능에 미치는 영향은 무엇인가?
• RQ3 기존 EPT로 유도된 전도도 레이블을 사용해 생체 내 위상 데이터로 DLEPT 모델을 미세조정하면 복원 정확도 향상 및 잡음 감소가 이루어지는가?
• RQ4 실제 위상 데이터로 훈련하면 시뮬레이션된 위상 지도와 측정된 B1 위상 지도 간 체계적 차이의 영향을 어느 정도 완화할 수 있는가?
• RQ5 훈련 중에 가우시안 노이즈를 추가하면 실제 생체 내 데이터셋에 배포되었을 때 DLEPT 모델의 강건성에 어떤 영향을 미치는가?

주요 결과

• 가우시안 노이즈를 추가한 시뮬레이션 데이터로 훈련된 네트워크는 시뮬레이션 데이터에서는 높은 품질의 전도도 복원을 생성했지만, 생체 내 데이터에 적용할 경우 심각한 잡음이 발생함.
• 단지 시뮬레이션 데이터로만 훈련된 모델의 복원 결과는 생체 내 데이터에서 정밀도가 떨어졌으며, 이는 시뮬레이션된 위상 지도와 실제 위상 지도 간의 차이로 인한 일반화 부족을 시사함.
• 기존 EPT로 유도된 전도도 레이블을 사용해 생체 내 위상 데이터로 DLEPT 모델을 미세조정하면 잡음이 크게 감소하고 복원 품질이 향상됨.
• 생체 내 데이터로의 미세조정 이후 향상된 성능는 실제 촬영 잡음과 체계적 위상 지도 왜곡에 대한 강건성 향상 덕분으로 기인됨.
• 결과적으로, 임상 뇌 영상 환경에서 신뢰할 수 있는 DLEPT 적용을 위해서는 실제 생체 내 데이터로의 훈련이 필수적임을 시사함.
• 본 연구는 시뮬레이션 데이터와 생체 내 데이터 간의 데이터 도메인 이동이 DLEPT의 주요 과제임을 확인하였으며, 임상 적용 가능성을 확보하기 위해 도메인 특화의 미세조정이 필요함을 제시함.