[논문 리뷰] Deep Learning using K-space Based Data Augmentation for Automated Cardiac MR Motion Artefact Detection

İlkay Öksüz, Bram Ruijsink외 7명|arXiv (Cornell University)|2018. 08. 15.

Acute Ischemic Stroke Management참고 문헌 12인용 수 4

한 줄 요약

이 논문은 UK Biobank의 3,465건의 CMR 스캔으로 구성된 극도로 불균형한 데이터셋에서 운동 아티팩트를 자동으로 탐지하기 위해 k-space 기반 데이터 증강을 통한 3D 시공간 컨volution 신경망(CNN)을 제안한다. k-space 손상에 기반한 실제와 유사한 운동 아티팩트를 시뮬레이션함으로써, 재현율(recall)은 최대 0.652로 향상되고 F1 점수는 0.722로 상승하여 최신 기술을 능가한다.

ABSTRACT

Quality assessment of medical images is essential for complete automation of image processing pipelines. For large population studies such as the UK Biobank, artefacts such as those caused by heart motion are problematic and manual identification is tedious and time-consuming. Therefore, there is an urgent need for automatic image quality assessment techniques. In this paper, we propose a method to automatically detect the presence of motion-related artefacts in cardiac magnetic resonance (CMR) images. As this is a highly imbalanced classification problem (due to the high number of good quality images compared to the low number of images with motion artefacts), we propose a novel k-space based training data augmentation approach in order to address this problem. Our method is based on 3D spatio-temporal Convolutional Neural Networks, and is able to detect 2D+time short axis images with motion artefacts in less than 1ms. We test our algorithm on a subset of the UK Biobank dataset consisting of 3465 CMR images and achieve not only high accuracy in detection of motion artefacts, but also high precision and recall. We compare our approach to a range of state-of-the-art quality assessment methods.

연구 동기 및 목표

• UK Biobank과 같은 대규모 심장 MRI 영상 데이터셋에서의 자동 운동 아티팩트 탐지 과제를 해결하기 위해.
• 좋은 품질의 영상이 운동 아티팩트가 있는 영상에 비해 훨씬 많아지는 심장 MRI 영상 품질 평가에서 심각한 클래스 불균형 문제를 해결하기 위해.
• 모델의 일반화 능력을 향상시키기 위해 k-space 손상 기반으로 합성 운동 아티팩트를 생성하는 현실적인 데이터 증강 전략을 개발하기 위해.
• 실제 임상 CMR 데이터에서 최신 기술의 기계학습 및 영상 품질 측정 지표와 비교하여 3D CNN 기반 접근법의 성능을 평가하기 위해.
• 대규모 인구 연구를 지원하고 정확한 심장 기능 정량 분석을 가능하게 하기 위해 완전 자동화되고 고처리량의 품질 평가를 실현하기 위해.

제안 방법

• 2D+시간 단위의 단축축 CINE CMR 시퀀스를 운동 아티팩트가 포함되어 있거나 양호한 품질인지 분류하기 위해 3D 시공간 CNN을 훈련한다.
• 영상 전처리로는 강도 정규화와 운동 기반 영역 관심(ROI) 추출을 수행하여 80×80 픽셀로 제한하며, 영상 리사이징을 피한다.
• 좋은 품질의 영상에 대한 k-space 데이터를 손상시켜 실제 운동 관련 아티팩트(예: 흐림)를 시뮬레이션하는 새로운 k-space 기반 데이터 증강 기법을 도입한다.
• k-space 손상 과정은 위상 및 진폭 정보를 유지하며, 그림 1c에 나타나듯이 임상적 운동 아티팩트와 유사한 아티팩트를 생성한다.
• 추가적인 데이터 증강을 위해 이동 변환(shift)을 적용함으로써 모델의 강인성과 일반화 능력을 향상시킨다.
• 성능 평가에 10중 교차 검증 전략을 사용하며, 정확도, 정밀도, 재현율, F1 점수 등의 지표를 포함한다.

실험 결과

연구 질문

• RQ1 대규모 실세계 데이터셋인 UK Biobank에서의 심장 MRI 영상에서 딥러닝 모델이 운동 아티팩트를 효과적으로 탐지할 수 있는가?
• RQ2 k-space 기반 데이터 증강은 기존의 전통적 데이터 증강 기법에 비해 극도로 불균형한 CMR 데이터셋에서 탐지 성능 향상에 얼마나 효과적인가?
• RQ3 제안된 방법은 재현율과 F1 점수 측면에서 최신 기술의 영상 품질 평가 기법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 임상 적용을 위해 고속 추론 성능을 유지를 하면서도 높은 탐지 정확도를 달성할 수 있는가?
• RQ5 k-space 손상 기법은 합성 또는 패치 기반 방법에 비해 더 현실적인 아티팩트를 생성하는가?

주요 결과

• 제안된 k-space 기반 데이터 증강 기법은 클래스 불균형 문제를 해결하는 데 효과적이며, 증강 없이 재현율을 0.466에서 0.642로 향상시켰다.
• k-space 및 이동 변환 기반 데이터 증강을 모두 적용한 모델은 F1 점수 0.722를 기록하여 Adaboost 및 전통적 영상 품질 측정 지표를 포함한 모든 테스트된 방법을 능가했다.
• 3D CNN 모델은 정밀도 0.809와 재현율 0.652를 기록하여 진짜 운동 아티팩트 케이스를 잘 식별하는 강력한 성능을 보였다.
• 모델은 스캔당 1ms 미만으로 운동 아티팩트를 탐지하여 대규모 연구에서 실시간 또는 고처리량 처리가 가능했다.
• k-space 손상 기법은 시각적 검토 및 실제 아티팩트와의 비교를 통해 임상적 운동 관련 흐림과 매우 유사한 현실적인 아티팩트를 생성했다.
• 모델은 고전적 기계학습 기법 뿐 아니라 NIQE와 라플라시안 분산과 같은 기존 영상 품질 측정 지표보다도 재현율과 F1 점수 측면에서 뛰어난 성능을 보였다.