[논문 리뷰] Electromagnetic Source Imaging via a Data-Synthesis-Based Denoising Autoencoder.

Gexin Huang, Zhu Liang Yu외 6명|arXiv (Cornell University)|2020. 10. 24.

Ultrasonics and Acoustic Wave Propagation참고 문헌 55인용 수 4

한 줄 요약

이 논문은 전자기원소영상(ESI)을 위한 데이터 합성 기반 노이즈 제거 오토인코더(DST-DAE)를 제안하며, 측정된 MEG/EEG 신호에서 피질 원천으로의 역함수 매핑을 학습하기 위해 신경망을 활용한다. 정방 모델을 사용하여 대규모 시공간 데이터를 합성하고, 공간-시간 특징 블록을 갖춘 DAE를 훈련시킴으로써, 전통적인 사전 기반 접근 방식에 비해 훨씬 뛰어난 원천 추정 정확도와 노이즈 내성 확보를 달성한다.

ABSTRACT

Electromagnetic source imaging (ESI) is a highly ill-posed inverse problem. To find a unique solution, traditional ESI methods impose a variety of priors that may not reflect the actual source properties. Such limitations of traditional ESI methods hinder their further applications. Inspired by deep learning approaches, a novel data-synthesized spatio-temporal denoising autoencoder method (DST-DAE) method was proposed to solve the ESI inverse problem. Unlike the traditional methods, we utilize a neural network to directly seek generalized mapping from the measured E/MEG signals to the cortical sources. A novel data synthesis strategy is employed by introducing the prior information of sources to the generated large-scale samples using the forward model of ESI. All the generated data are used to drive the neural network to automatically learn inverse mapping. To achieve better estimation performance, a denoising autoencoder (DAE) architecture with spatio-temporal feature extraction blocks is designed. Compared with the traditional methods, we show (1) that the novel deep learning approach provides an effective and easy-to-apply way to solve the ESI problem, that (2) compared to traditional methods, DST-DAE with the data synthesis strategy can better consider the characteristics of real sources than the mathematical formulation of prior assumptions, and that (3) the specifically designed architecture of DAE can not only provide a better estimation of source signals but also be robust to noise pollution. Extensive numerical experiments show that the proposed method is superior to the traditional knowledge-driven ESI methods.

연구 동기 및 목표

• 수학적 사전 정보가 정확하지 않을 수 있는 잠재적 한계를 가진 전통적인 ESI 방법의 한계를 극복하기 위해.
• 명시적인 사전 가정에 의존하지 않고 측정된 전자기 신호에서 피질 원천으로의 역함수 매핑을 학습하는 데이터 기반 접근 방식을 개발하기 위해.
• ESI의 정방 모델을 통해 생성된 대규모이고 현실적인 합성 데이터를 활용하여 추정 성능을 향상시키기 위해.
• 공간-시간 특징 추출 기능을 갖춘 특별히 설계된 노이즈 제거 오토인코더 아키텍처를 통해 측정 노이즈에 대한 내성을 향상시키기 위해.
• 임상 및 연구 적용 분야에서 더 일반화 가능하고 실용적인 전자기원소영상 솔루션을 제공하기 위해.

제안 방법

• ESI의 정방 모델에 원천 사전 정보를 통합하여 대규모 시공간 샘플을 생성하는 새로운 데이터 합성 전략을 도입한다.
• 훈련 데이터는 실제 원천 분포를 반영하도록 합성되어, 네트워크가 다양한 타당한 원천 구성에 대해 학습할 수 있도록 한다.
• 공간적 및 시간적 의존성을 모두 모델링하기 위해 전용 공간-시간 특징 추출 블록을 갖춘 노이즈 제거 오토인코더(DAE) 아키텍처를 설계한다.
• 노이즈가 섞인 입력 신호로부터 깨끗한 원천 추정치를 재구성하도록 DAE를 훈련시어 측정 노이즈에 대한 내성을 향상시킨다.
• 측정된 MEG/EEG 신호에서 직접 추정된 피질 원천 분포로의 엔드 투 엔드 매핑을 학습한다.
• 합성 데이터 분포에서 암묵적으로 역함수 매핑을 학습함으로써 명시적인 사전 수식을 회피한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 접근 방식이 수작업으로 설계된 사전 가정에 의존하는 전통적인 ESI 방법보다 원천 추정 정확도에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 정방 모델을 활용한 데이터 합성 전략이 ESI의 훈련 데이터에 대해 현실성과 대표성을 향상시키는 데 얼마나 기여하는가?
• RQ3 DAE 아키텍처에 통합된 공간-시간 특징 추출 기능이 원천 추정 성능을 어떻게 향상시키는가?
• RQ4 노이즈 제거 오토인코더 구성 요소가 표준 오토인코더나 전통적 방법에 비해 측정 신호의 노이즈에 대한 내성을 향상시키는가?
• RQ5 제안된 방법이 특정 사전 가정에 과적합되지 않고 새로운 원천 구성에 잘 일반화될 수 있는가?

주요 결과

• 광범위한 수치 실험에서 제안된 DST-DAE 방법은 전통적인 지식 기반 ESI 방법에 비해 훨씬 뛰어난 원천 추정 정확도를 달성한다.
• 데이터 합성 전략을 통해 모델이 수학적 사전 가정의 수식보다 실제 원천 특성을 더 잘 반영할 수 있다.
• 노이즈 제거 오토인코더 아키텍처는 측정 신호의 노이즈 오염에 대해 뚜렷한 내성을 향상시킨다.
• 공간-시간 특징 추출 블록은 원천 신호의 복잡한 시간 동역학성과 공간 패턴을 효과적으로 포착한다.
• 고정된 사전 제약 조건에 의존하지 않고 다양한 합성 데이터 분포에서 학습함으로써 더 일반화 가능한 솔루션을 제공한다.
• 결과적으로 딥러닝과 데이터 합성을 융합한 접근 방식이 ESI 역문제의 불안정성 문제를 효과적으로 해결할 수 있음을 입증한다.