[논문 리뷰] Distribution-informed and wavelength-flexible data-driven photoacoustic oximetry

Janek Gröhl, Kylie Yeung외 6명|arXiv (Cornell University)|2024. 03. 21.

Photoacoustic and Ultrasonic Imaging인용 수 1

한 줄 요약

이 논문은 선형 혼합 분해를 넘어서 혈액 산소 포화도(sO2) 추정을 향상시키기 위해 파장 유연성과 분포 정보를 반영한 딥러닝 프레임워크를 제안한다. 장기 단기 기억(LSTM) 네트워크를 사용하여, 제안된 방법은 제안된 Jensen-Shannon 발산(DJS)을 활용해 최적의 훈련 데이터셋을 예측함으로써 다양한 시뮬레이션, 펌프, 그리고 생체 내 데이터셋에서 뛰어난 정확도와 강건성을 달성한다. 이는 선형 혼합 분해 및 이전의 학습된 스펙트럼 탈색 방법보다도 뛰어난 성능을 보인다.

ABSTRACT

SIGNIFICANCE: Photoacoustic imaging (PAI) promises to measure spatially resolved blood oxygen saturation but suffers from a lack of accurate and robust spectral unmixing methods to deliver on this promise. Accurate blood oxygenation estimation could have important clinical applications from cancer detection to quantifying inflammation. AIM: We address the inflexibility of existing data-driven methods for estimating blood oxygenation in PAI by introducing a recurrent neural network architecture. APPROACH: We created 25 simulated training dataset variations to assess neural network performance. We used a long short-term memory network to implement a wavelength-flexible network architecture and proposed the Jensen-Shannon divergence to predict the most suitable training dataset. RESULTS: The network architecture can flexibly handle the input wavelengths and outperforms linear unmixing and the previously proposed learned spectral decoloring method. Small changes in the training data significantly affect the accuracy of our method, but we find that the Jensen-Shannon divergence correlates with the estimation error and is thus suitable for predicting the most appropriate training datasets for any given application. CONCLUSIONS: A flexible data-driven network architecture combined with the Jensen-Shannon divergence to predict the best training data set provides a promising direction that might enable robust data-driven photoacoustic oximetry for clinical use cases.

연구 동기 및 목표

• 기존의 데이터 기반 광음향 산소측정 방법의 유연성 부족과 정확도 제한을 극복하기 위해.
• 모의 실험, 펌프, 생체 내 데이터를 포함한 다양한 영상 환경에서 강건한 sO2 추정을 가능하게 하기 위해.
• 특정 응용에 가장 적합한 데이터셋을 예측할 수 있는 훈련 데이터셋 선택 전략을 개발하기 위해.
• 딥러닝 기반 스펙트럼 분해에서 일반화 능력을 향상시키고 훈련 데이터 변동에 대한 민감도를 감소시키기 위해.

제안 방법

• 파장에 관계없이 임의의 입력 파장을 처리할 수 있도록 설계된 장기 단기 기억(LSTM) 신경망 아키텍처를 도입하여 sO2 추정의 파장 유연성을 확보한다.
• 입력 스펙트럼의 분포를 훈련 데이터셋 스펙트럼의 분포와 비교하기 위해 Jensen-Shannon 발산(DJS)을 사용하여 최적의 데이터셋 선택을 유도한다.
• 모델의 강건성과 일반화 능력을 평가하기 위해 다양한 조직 기하학적 구조와 기능적 매개변수 범위를 가진 25개의 시뮬레이션 훈련 데이터셋을 생성하였다.
• 실제 적용 가능성을 확보하기 위해 모의 실험, 젤 기반 펌프(gello), 그리고 생체 내 마우스 및 인간 데이터를 대상으로 방법을 평가하였다.
• 3D 컨텍스트 인식 접근 방식을 사용하여 다중 스펙트럼 광음향 신호로부터 sO2를 예측하도록 네트워크를 훈련시켜 픽셀 단위 방법보다 정확도를 향상시켰다.
• 모의 훈련 데이터의 현실성 향상을 위해 도메인 적응 원리를 통합하여 도메인 분리 문제를 줄였다.

실험 결과

연구 질문

• RQ1 데이터 기반 광음향 산소측정 방법이 다양한 영상 조건에서 고정된 정확도를 유지하면서도 파장에 유연한가?
• RQ2 훈련 데이터셋의 선택이 딥러닝 기반 sO2 추정 성능에 어떤 영향을 미치는가?
• RQ3 Jensen-Shannon 발산이 특정 응용에 가장 적합한 훈련 데이터셋을 선택하는 데 신뢰할 수 있는 예측 도구가 될 수 있는가?
• RQ4 제안된 LSTM 기반 방법이 정확도와 강건성 측면에서 선형 혼합 분해 및 이전의 학습된 스펙트럼 탈색 방법보다 뛰어나다고 할 수 있는가?

주요 결과

• 제안된 LSTM 기반 방법은 모든 테스트 데이터셋에서 선형 혼합 분해 및 이전에 보고된 학습된 스펙트럼 탈색 방법보다 sO2 추정 정확도에서 뛰어난 성능을 보였다.
• Jensen-Shannon 발산(DJS)은 추정 오차와 강한 상관관계를 보이며, 최적의 훈련 데이터셋을 선택하는 데 신뢰할 수 있는 예측 도구로 기능한다.
• 훈련 데이터셋의 매개변수에 미세한 변동이 모델 성능에 큰 영향을 미치며, 이는 훈련 데이터 품질의 핵심적 역할을 강조한다.
• 모의 실험, 펌프, 생체 내 데이터(인간 및 마우스 연구 포함) 전반에서 일관된 성능을 보이며 강력한 일반화 잠재력을 나타낸다.
• CO2 실험 결과, 선형 혼합 분해는 스펙트럼 압축과 잡음으로 인해 sO2 변화를 과소 평가하는 것으로 나타났고, 딥러닝 방법은 참값과 더 잘 일치하였다.
• 오픈소스 코드와 데이터는 MIT 및 CC-BY 4.0 라이선스 하에 공개되어 있어 광범위한 활용과 향후 개발을 가능하게 한다.