[논문 리뷰] Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN)

Fernando Vega, Abdoljalil Addeh외 1명|arXiv (Cornell University)|2023. 07. 12.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 연구는 쌍화된 훈련 데이터가 필요 없이 시뮬레이션된 저자기장(70mT) 영상에서 고자기장, 고SNR MRI 영상을 복원하기 위해 노이즈 제거 Cycle-GAN 프레임워크를 제안한다. 쌍화되지 않은 3T 및 저자기장 MRI 영상을 활용하여, 기존의 노이즈 제거 오토인코더(DAE)보다 뛰어난 성능을 보이며, 평균 PSNR가 14.62% 높고 대trast 및 구조적 충실도 측면에서 더 우수한 영상 품질을 확보하여, 저자기장 MRI 향상에 있어 생성적 딥러닝의 가능성을 입증한다.

ABSTRACT

In this work, a denoising Cycle-GAN (Cycle Consistent Generative Adversarial Network) is implemented to yield high-field, high resolution, high signal-to-noise ratio (SNR) Magnetic Resonance Imaging (MRI) images from simulated low-field, low resolution, low SNR MRI images. Resampling and additive Rician noise were used to simulate low-field MRI. Images were utilized to train a Denoising Autoencoder (DAE) and a Cycle-GAN, with paired and unpaired cases. Both networks were evaluated using SSIM and PSNR image quality metrics. This work demonstrates the use of a generative deep learning model that can outperform classical DAEs to improve low-field MRI images and does not require image pairs.

연구 동기 및 목표

• 쌍화된 영상 데이터에 의존하지 않고 저자기장 MRI(70mT)에서 낮은 신호 대 잡음비(SNR)와 해상도 문제를 해결하고자 한다.
• 이미지 정렬 또는 정렬이 필요 없는 딥 러닝 생성 모델을 활용하여 저자기장 MRI의 영상 품질을 향상시키고자 한다.
• Cycle-GAN이 쌍화된 데이터에서 고자기장 영상 품질을 복원하는 데 있어 전통적인 노이즈 제거 오토인코더(DAE)보다 뛰어난 성능을 보이는지 평가하고자 한다.
• 비용이 많이 들는 고자기장 스캐너에 의존도를 줄이기 위해 쌍화되지 않은 데이터를 활용해 고품질 MRI 복원 파이프라인을 개발하고자 한다.

제안 방법

• 시뮬레이션된 저자기장 MRI 데이터는 3T T1-강조 MRI 영상(1mm³ 등방성)을 1.5mm³ 해상도로 재샘플링하고, 70mT 자기장 강도를 모의하기 위해 Rician 노이즈를 추가하여 생성되었다.
• 3D Cycle-GAN 아키텍처는 MONAI 딥러닝 프레임워크를 사용하여 구현되었으며, 500 에포크 동안 엔드 투 엔드로 훈련된 두 개의 생성자와 두 개의 판별자로 구성되어 있다.
• 모델은 13개의 레이어와 9개의 잔류 블록을 갖는 복합 블록을 사용하여, DAE에서 흔히 사용되는 U-Net 아키텍처와는 다릅니다. 이는 쌍화되지 않은 고자기장 및 저자기장 영상 분포를 대상으로 작동한다.
• 생성자는 저자기장 노이즈 영상에서 고자기장 유사한 정제된 영상으로, 그리고 그 반대로도 변환하는 것을 학습한다. 판별자는 진짜 영상와 생성된 영상 간을 구분한다.
• 훈련 과정에서 사이클 일致성(cycle consistency)이 강제되어, 영상을 한 번 변환하고 다시 원래 상태로 복원할 경우 원본 콘텐츠가 유지됨을 보장한다.
• 성능 평가에서는 테스트용 unseen 이미지들을 사용하여 SSIM 및 PSNR 지표를 활용하였으며, 쌍화된 데이터로 훈련된 표준 DAE와의 비교 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 Cycle-GAN 기반 접근법이 쌍화된 훈련 영상이 없는 시뮬레이션된 저자기장 MRI(70mT)에서 효과적으로 노이즈 제거를 수행할 수 있는가?
• RQ2 PSNR 및 SSIM 측면에서 Cycle-GAN으로 생성된 영상의 품질이 기존 DAE와 비교해 어떻게 다른가?
• RQ3 저SNR, 저해상도 MRI 복원에서 Cycle-GAN은 DAE보다 해부학적 구조와 대trast를 더 잘 유지하는가?
• RQ4 쌍화되지 않은 생성 모델이 저자기장 MRI 노이즈 제거에서 쌍화된 오토인코더 기반 방법보다 얼마나 뛰어나게 성능을 내는가?

주요 결과

• Cycle-GAN 모델은 unseen 테스트 이미지에서 DAE 대비 평균 PSNR가 14.62% 높게 기록하여 노이즈 감소 성능이 뛰어남을 시사한다.
• 비록 DAE가 SSIM 측면에서 1.15% 높은 점수를 기록했지만, PSNR는 노이즈 비교에 더 민감한 지표이므로 Cycle-GAN의 높은 PSNR는 더 뛰어난 노이즈 제거 능력을 의미한다.
• 시각적 검토 결과, Cycle-GAN으로 생성된 영상가 DAE 출력보다 대trast가 뛰어나고 윤곽선이 더 선명하며 해부학적 형태 유지가 더 정확함을 확인하였다.
• 이론적으로 쌍화된 영상이나 정렬이 필요 없이 저자기장 시뮬레이션에서 고자기장 수준의 영상 품질을 성공적으로 복원하였으며, 분포 이탈에 대한 강건성을 입증하였다.
• 쌍화되지 않은 데이터에서의 성능은 실제 저자기장 MRI 적용 분야에서 쌍화된 데이터가 흔하지 않은 상황에서도 모델이 잘 일반화될 수 있음을 시사한다.
• 결과적으로, 쌍화된 데이터 확보가 어렵거나 불가능한 상황에서 DAE의 대안으로 Cycle-GAN이 저자기장 MRI 복원에 실용적으로 활용될 수 있음을 시사한다.