[논문 리뷰] Dual Objective Approach Using A Convolutional Neural Network for Magnetic Resonance Elastography

Ligin Solamen, Yipeng Shi외 1명|arXiv (Cornell University)|2018. 12. 02.

Ultrasound Imaging and Elastography참고 문헌 21인용 수 4

한 줄 요약

이 논문은 자기공명 엘라스토그래피(MRE) 변위 데이터를 직접 엘라스토그램으로 매핑하는 새로운 컨volution 신경망(CNN) 아키텍처를 제안한다. 이는 헬름홀츠 방정식에서 유도된 물리 기반 손실과 평균 제곱오차(MSE)를 조합한 双손실 학습 전략을 사용한다. 이 방법은 비선형 역행렬 해법과 유사한 고해상도 엘라스토그램 재구성 성능를 달성하며, 효율적이고 정확한 MRE 조직 경도 매핑을 위한 딥러닝의 가능성을 입증한다.

ABSTRACT

Traditionally, nonlinear inversion, direct inversion, or wave estimation methods have been used for reconstructing images from MRE displacement data. In this work, we propose a convolutional neural network architecture that can map MRE displacement data directly into elastograms, circumventing the costly and computationally intensive classical approaches. In addition to the mean squared error reconstruction objective, we also introduce a secondary loss inspired by the MRE mechanical models for training the neural network. Our network is demonstrated to be effective for generating MRE images that compare well with equivalents from the nonlinear inversion method.

연구 동기 및 목표

• 기존의 비선형 역행렬 해법의 계산 부담과 복잡성을 줄이기 위해 이를 딥러닝 기반 접근법으로 대체하고자 한다.
• 기계 모델 제약 조건을 신경망 학습에 통합하여 MRE 엘라스토그램 재구성의 일반화 능력과 물리적 타당성을 향상시키고자 한다.
• 반복적 역행렬 알고리즘에 의존하지 않고도 CNN이 MRE 변위 데이터에서 전단 모odulus 엘라스토그램으로의 직접 역함수 매핑을 학습할 수 있음을 입증하고자 한다.
• 다양한 진동 주파수에서 시뮬레이션된 MRE 데이터를 사용하여 제안된 방법의 성능을 표준 비선형 역행렬 해법과 비교하고자 한다.
• 물리 기반 보조 손실 함수가 딥러닝 기반 엘라스토그램의 정확성과 강인성 향상에 미치는 영향을 탐색하고자 한다.

제안 방법

• 네 개의 3D 컨volution 레이어를 포함한 인코더와 네 개의 트랜스포지드 컨볼루션 레이어를 포함한 디코더로 구성된 인코더-디코더 CNN 아키텍처를 사용하며, 64×64×3 변위 데이터를 처리하여 64×64 엘라스토그램을 재구성한다.
• 인코더는 풀링 레이어 없이 스트라이드 컨볼루션을 사용하여 다운샘플링을 수행하며, 이는 파rameter 수를 감소시키고 공간 정보를 유지한다.
• 예측된 엘라스토그램과 진짜 엘라스토그램 간의 픽셀 단위 재구성 정확도를 확보하기 위해 평균 제곱오차(MSE) 기반의 주요 손실 함수를 사용한다.
• 보조 손실 함수는 단순화된 헬름홀츠 방정식(μ∇²u = −ω²ρu)에서 유도된 물리 기반 손실로, 전단파 전파의 기초 기계 모델과의 일致성을 강제한다.
• 트레이닝은 배치 크기가 64인 Adam 옵timizer를 사용하여 Tesla K80 GPU에서 2,500 에포크 동안 수행되며, 70/30 트레이닝-테스트 분할에 30%의 검증 세트를 포함한다.
• 훈련 데이터는 다양한 진동 주파수(25–100 Hz)에서 연조직 내 전단파 전파를 시뮬레이션하는 다공성 탄성 기계 모델을 통해 생성된다.

실험 결과

연구 질문

• RQ1 딥 컨볼루션 신경망이 기존의 고전적 역행렬 알고리즘에 의존하지 않고 MRE 변위 데이터에서 엘라스토그램으로의 역함수 매핑을 효과적으로 학습할 수 있는가?
• RQ2 헬름홀츠 방정식에서 유도된 물리 기반 손실 함수를 통합함으로써 재구성된 엘라스토그램의 정확성과 물리적 일관성이 어떻게 향상되는가?
• RQ3 이중 손실 학습 전략(MSE + 물리 손실)이 복잡한 경도 패턴 재구성에서 MSE 단독 학습보다 더 우수한 성능을 내는가?
• RQ4 뇌 MRE에서 흔히 볼 수 있는 저대비 영역이나 고경도 변화 영역과 같은 어려운 케이스에서 제안된 CNN의 성능은 어떠한가?
• RQ5 다양한 진동 주파수 간에 네트워크가 일반화되어 고해상도 재구성 정밀도를 유지할 수 있는가?

주요 결과

• 제안된 CNN은 모든 테스트 진동 주파수에서 표준 비선형 역행렬 해법으로 생성된 결과와 시각적·정량적으로 유사한 엘라스토그램을 성공적으로 재구성하였다.
• 물리 기반 손실 함수의 통합은 특히 뇌와 같이 높은 경도 변화가 있는 영역에서 기계적 일관성을 유지하는 데 네트워크의 능력을 크게 향상시켰다.
• 높은 경도 기울기와 저대비 영역을 포함한 복잡한 엘라스토그램 패턴에 대해 네트워크는 강인한 성능을 보였지만, 저대비 영역에서는 약간의 편차가 관찰되었다.
• 트레이닝은 Tesla K80 GPU에서 약 2시간이 소요되어 반복적 비선형 역행렬 해법 대비 상당한 속도 향상을 보였다.
• 시각적 비교를 통해 그림 3에서 보듯이 이중 손실 전략은 아티팩트를 줄이고 구조적 정밀도를 향상시켜 MSE 단독 학습보다 우수한 성능을 내는 것으로 확인되었다.
• 기존의 딥러닝 기반 MRE 접근법에서 요구되었던 프리프로세싱 단계(예: 패치 분할)를 효과적으로 회피할 수 있었다.