[논문 리뷰] End-to-End AI-based MRI Reconstruction and Lesion Detection Pipeline for Evaluation of Deep Learning Image Reconstruction

Ruiyang Zhao, Yuxin Zhang외 3명|arXiv (Cornell University)|2021. 09. 23.

Advanced MRI Techniques and Applications참고 문헌 21인용 수 4

한 줄 요약

이 연구는 Gadgetron 프레임워크를 사용하여 MRI 재구성과 링거 테어 분석을 통합한 엔드 투 엔드 딥러닝 파이프라인을 제시한다. 이는 고속도 딥러닝 재구성 기술이 높은 SSIM 점수를 기록하지만도 병변 탐지에 필수적인 미세 해부학적 세부 정보를 유지하지 못함을 입증한다. 주요 발견은 재구성 품질 평가 지표인 SSIM과 임상적 성능 간의 상관관계가 없음을 보여주며, 임상적으로 의의 있는 평가 기준이 필요하다는 점을 강조한다.

ABSTRACT

Deep learning techniques have emerged as a promising approach to highly accelerated MRI. However, recent reconstruction challenges have shown several drawbacks in current deep learning approaches, including the loss of fine image details even using models that perform well in terms of global quality metrics. In this study, we propose an end-to-end deep learning framework for image reconstruction and pathology detection, which enables a clinically aware evaluation of deep learning reconstruction quality. The solution is demonstrated for a use case in detecting meniscal tears on knee MRI studies, ultimately finding a loss of fine image details with common reconstruction methods expressed as a reduced ability to detect important pathology like meniscal tears. Despite the common practice of quantitative reconstruction methodology evaluation with metrics such as SSIM, impaired pathology detection as an automated pathology-based reconstruction evaluation approach suggests existing quantitative methods do not capture clinically important reconstruction outcomes.

연구 동기 및 목표

• 딥러닝 기반 MRI 재구성 평가의 임상적 격차를 해소하기 위해 병변 탐지 성능을 평가 지표로 통합하고자 한다.
• 고속도 딥러닝 기반 재구성 기술이 링거 테어를 탐지하는 데 필수적인 미세 해부학적 세부 정보를 유지하는지 조사하고자 한다.
• 실시간으로 MRI 스캐너와 통합 가능한 임상 적용이 가능한 엔드 투 엔드 파이프라인을 Gadgetron을 활용해 개발하고자 한다.
• 기존의 전역 지표 외에도 병변 탐지 성능에 미치는 영향을 고려하여 전통적이고 딥러닝 기반 재구성 방법을 비교하고자 한다.
• 기존의 정량적 지표(예: SSIM)가 미세 병변과 같은 임상적으로 중요한 영상 품질 요소를 반영하지 못할 수 있음을 입증하고자 한다.

제안 방법

• Gadgetron 프레임워크를 사용하여 MRI 스캐너에서 직접 원시 k-space 데이터를 처리하는 엔드 투 엔드 파이프라인을 구축하여 임상 워크플로우와의 원활한 통합을 가능하게 하였다.
• 다양한 가속도 비율(R=4 및 R=8)에서 제로 필링 FFT, CG-SENSE, UNet, VarNet 등의 다수의 MRI 재구성 방법을 통합하였다.
• fastMRI+ 데이터셋에서 제공하는 바운딩 박스 레이블을 활용하여 완전히 샘플링된 무릎 MRI 영상에 기반한 YOLO 기반 객체 탐지 네트워크를 훈련시켜 링거 테어를 탐지하였다.
• 다양한 재구성 방법 간의 병변 탐지 성능은 진성 양성(TP) 및 위성 음성(FN) 탐지 수를 비교하여 평가하였다.
• 이 프레임워크를 통해 SSIM 및 NMSE 외에도 후속 임상 작업 성능을 기반으로 재구성 알고리즘 간 직접 비교가 가능해졌다.
• 파이프라인의 확장성과 저지연 테스트를 지원하기 위해 관리형 클라우드 서비스에 시스템을 구축하였다.

실험 결과

연구 질문

• RQ1 높은 SSIM 점수를 기록하는 딥러닝 기반 MRI 재구성 방법이 링거 테어를 탐지하는 데 필요한 미세 해부학적 세부 정보를 여전히 유지하는가?
• RQ2 다양한 재구성 기법(기존 및 딥러닝 기반) 간에 자동 링거 테어 탐지 성능은 어떻게 변화하는가?
• RQ3 전역 영상 품질 지표인 SSIM이 MRI 재구성에서 임상적으로 중요한 탐지 결과와 얼마나 상관관계가 있는가?
• RQ4 재구성과 병변 탐지 기능을 통합한 엔드 투 엔드 파이프라인이 기존 지표를 초월해 재구성 품질 평가의 견고한 기준이 될 수 있는가?
• RQ5 완전히 샘플링된 데이터가 아닌, VarNet로 재구성된 영상에 기반해 병변 탐지 모델을 훈련시키면 과적합 또는 탐지 정확도 저하가 발생하는가?

주요 결과

• R=8 가속도 비율에서 UNet과 VarNet 재구성 모두 미세한 링거 구조를 유지하지 못해 높은 SSIM 점수에도 불구하고 링거 테어 탐지에 실패하였다.
• CG-SENSE 재구성은 신호 대 잡음 비율이 낮아, YOLO 병변 탐지 네트워크가 링거 테어를 탐지하지 못했고, 제로 필링 FFT 재구성은 아티팩트로 인해 동일한 문제를 겪었다.
• 다양한 재구성 방법 간에 진성 양성 및 위성 음성 영상의 평균 SSIM에 유의미한 차이가 없었으며, 이는 SSIM이 병변 탐지 성능을 예측하지 못함을 시사한다.
• R=4에서 VarNet로 재구성된 영상에 기반해 YOLO 탐지기를 훈련시켰을 경우, 완전히 샘플링된 영상에 기반한 훈련 대비 더 많은 위성 양성 결과를 보였으며, 이는 재구성 아티팩트에 과적합된 것으로 보인다.
• 현재 레이블링 방식과 모델 일반화 능력의 한계로 인해, 이격된 링거 조직을 링거 테어로 잘못 식별하는 경우가 발생하였다.
• 본 연구는 기존의 전역 지표인 SSIM이 특히 미세 병변에 대해 임상적으로 중요한 영상 품질 요소를 반영하지 못함을 입증하였으며, 병변 인식 평가 기준이 필요하다고 제안한다.