[논문 리뷰] Denoising Arterial Spin Labeling Cerebral Blood Flow Images Using Deep Learning

Danfeng Xie, Li Bai외 1명|arXiv (Cornell University)|2018. 01. 29.

Advanced MRI Techniques and Applications참고 문헌 15인용 수 5

한 줄 요약

이 연구는 깊이 학습 기반 노이즈 제거 방법인 ASLDLD를 제안한다. 5층의 넓은 컨볼루션 신경망을 사용하며, 잔차 학습과 배치 정규화를 적용하여 동맥 스핀 레이블링(ASL) 뇌 혈류 속도(CBF) 영상을 향상시킨다. 회색 물질 확률 맵을 정규화 요소로 통합하고 280명의 환자 데이터로 훈련함으로써, 기존 방법 대비 38.6% 높은 신호 대 잡음비(SNR)를 달성하면서도 40장 대신 10장의 영상 쌍만으로도 촬영 시간을 75% 감소시켰다.

ABSTRACT

Arterial spin labeling perfusion MRI is a noninvasive technique for measuring quantitative cerebral blood flow (CBF), but the measurement is subject to a low signal-to-noise-ratio(SNR). Various post-processing methods have been proposed to denoise ASL MRI but only provide moderate improvement. Deep learning (DL) is an emerging technique that can learn the most representative signal from data without prior modeling which can be highly complex and analytically indescribable. The purpose of this study was to assess whether the record breaking performance of DL can be translated into ASL MRI denoising. We used convolutional neural network (CNN) to build the DL ASL denosing model (DL-ASL) to inherently consider the inter-voxel correlations. To better guide DL-ASL training, we incorporated prior knowledge about ASL MRI: the structural similarity between ASL CBF map and grey matter probability map. A relatively large sample data were used to train the model which was subsequently applied to a new set of data for testing. Experimental results showed that DL-ASL achieved state-of-the-art denoising performance for ASL MRI as compared to current routine methods in terms of higher SNR, keeping CBF quantification quality while shorten the acquisition time by 75%, and automatic partial volume correction.

연구 동기 및 목표

• 동맥 스핀 레이블링(ASL) 피어포지션 MRI에서 낮은 신호 대 잡음비(SNR)로 인해 뇌 혈류 속도(CBF) 측정이 제한되는 문제를 해결하기 위해.
• 명시적인 영상 사전 지식에 의존하고 계산 속도가 느리며 노이즈 제거 성능이 제한적인 전통적 후처리 방법의 한계를 극복하기 위해.
• 데이터에서 이미지 사전 지식을 암묵적으로 학습함으로써 깊이 학습이 ASL MRI에서 최첨단 노이즈 제거 성능을 달성할 수 있는지 탐색하기 위해.
• 표준 40쌍 대비 10쌍의 제어-라벨 쌍만으로도 신뢰할 수 있는 CBF 추정이 가능하게 하여 촬영 시간을 단축시키기 위해.
• 반복 최적화 기반 방법에 비해 테스트 시간 계산을 크게 줄일 수 있는 빠른 피드포워드 추론 모델을 개발하기 위해.

제안 방법

• 5층의 넓은 컨볼루션 신경망(CNN) 기반의 ASLDLD를 제안하며, Wide Inference Network(WIN) 아키텍처를 기반으로 하며, 7×7 필터와 각 층당 128개의 필터를 사용하여 공간적 상관관계와 국소 강도 분포를 포착한다.
• 잔차 학습을 적용하여 잔차 매핑 $ T(y) $ 를 모델링함으로써 출력을 $ x = y + T(y; \Theta) $ 로 정의하여 깊은 네트워크의 안정적 훈련을 가능하게 한다.
• 각 컨볼루션 레이어(마지막 레이어 제외) 뒤에 배치 정규화와 ReLU 활성화 함수를 도입하여 훈련 속도를 가속화하고 안정성을 향상시킨다.
• 회색 물질(GM) 확률 맵을 손실 함수에 정규화 요소로 통합하여 네트워크가 해부학적으로 타당한 CBF 맵으로 향하도록 이끈다.
• 손실 함수를 $ l(\Theta) = \frac{1}{2N}\sum_{i=1}^{N} ||y_i + T(y_i; \Theta) - x_i||^2 + \alpha ||y_i - \gamma_i|| $ 로 정의하며, 여기서 $ \alpha = 0.1 $ 으로 설정하여 예측된 CBF와 GM 맵 간의 구조적 유사성을 강제한다.
• ADAM 옵timizer를 사용하여 엔드 투 엔드 훈련을 수행하며, 학습률 0.1, 모멘텀 0.9, 가중치 감쇠 $ 10^{-4} $, 기울기 클리핑 값 0.1 으로 설정하고, GPU에서 미니배치 크기 64로 훈련한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 노이즈 제거가 기존의 ASL 후처리 방법에 비해 신호 대 잡음비(SNR)와 영상 품질 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 대규모 ASL 영상 데이터셋으로 훈련된 딥 러닝 모델이 40쌍 대신 10쌍의 제어-라벨 쌍만으로도 효과적으로 CBF 맵을 노이즈 제거할 수 있는가?
• RQ3 해부학적 사전 지식(회색 물질 확률 맵을 통한)을 통합함으로써 노이즈 제거 네트워크의 강인성과 정확도가 향상되는가?
• RQ4 제안된 딥 러닝 모델이 반복 최적화 기반 노이즈 제거 방법에 비해 테스트 시간 계산을 크게 줄일 수 있는가?
• RQ5 모델이 저SNR ASL 영상에서 부분체적 효과를 얼마나 잘 보정하고 미세한 해부학적 세부 정보를 유지하는가?

주요 결과

• ASLDLD는 비딥 러닝 기반 방법 대비 38.6% 높은 상대적 신호 대 잡음비(SNR)를 달성하였으며, p값 1.14e-4로 통계적으로 유의미하다.
• 모델은 공기-뇌 경계 영역에서 CBF 신호를 효과적으로 복원하고 부분체적 효과로 인한 신호 손실을 감소시켰으며, 시각적 비교에서 초록색 및 노란색 상자 영역의 대trast 향상으로 이를 입증하였다.
• ASLDLD는 표준 40쌍 대비 10쌍의 제어-라벨 쌍만으로도 신뢰할 수 있는 CBF 추정이 가능하게 하여 스캔 시간을 75% 감소시켰고, 운동 유발 잡음 완화에 기여하였다.
• ASLDLD의 피드포워드 추론 아키텍처는 기존 방법에서 사용하는 시간이 오래 걸리는 최적화 과정과는 대비하여 테스트 시간 계산을 거의 즉각적인 수준으로 줄였다.
• 회색 물질 확률 맵을 정규화 요소로 통합함으로써 노이즈 제거된 CBF 맵의 해부학적 타당성이 향상되어 구조적 정밀도가 향상되었다.
• 모델은 다양한 환자군에서 뛰어난 성능을 보였으며, 저SNR 조건에서도 일관된 SNR 향상과 영상 텍스처 개선을 보였다.