[논문 리뷰] Estimation of blood oxygenation with learned spectral decoloring for quantitative photoacoustic imaging (LSD-qPAI)

Janek Gröhl, Thomas Kirchner외 2명|arXiv (Cornell University)|2019. 02. 15.

Photoacoustic and Ultrasonic Imaging참고 문헌 17인용 수 21

한 줄 요약

이 논문은 다중스펙트럼 광음향 초기 압력 스펙트럼으로부터 산소포화도(sO₂)를 직접 추정하는 딥러닝 방법인 LSD-qPAI를 제안한다. 이 방법은 조도 유도 스펙트럼 색상화를 보완하는 방식으로 학습한다. 몬테카를로 시뮬레이션을 통해 생성한 인 시코 데이터로 훈련된 모델은 실제 생체 내에서 생리학적으로 타당한 sO₂ 추정치를 도출하며, 훈련 과정에서 진정한 sO₂ 레이블이 필요로 하지 않음에도 불구하고 선형 스펙트럼 분해보다 더 타당한 결과를 내놓는다.

ABSTRACT

One of the main applications of photoacoustic (PA) imaging is the recovery of functional tissue properties, such as blood oxygenation (sO2). This is typically achieved by linear spectral unmixing of relevant chromophores from multispectral photoacoustic images. Despite the progress that has been made towards quantitative PA imaging (qPAI), most sO2 estimation methods yield poor results in realistic settings. In this work, we tackle the challenge by employing learned spectral decoloring for quantitative photoacoustic imaging (LSD-qPAI) to obtain quantitative estimates for blood oxygenation. LSD-qPAI computes sO2 directly from pixel-wise initial pressure spectra Sp0, which are vectors comprised of the initial pressure at the same spatial location over all recorded wavelengths. Initial results suggest that LSD-qPAI is able to obtain accurate sO2 estimates directly from multispectral photoacoustic measurements in silico and plausible estimates in vivo.

연구 동기 및 목표

• 스펙트럼 색상화 효과를 유발하는 파장에 따른 빛 조도의 영향으로 인해 정량 광음향 영상(qPAI)에서 산소포화도(sO₂) 추정이 정확하지 못한 문제를 해결하기 위해.
• 복잡한 모델 기반 보정이나 실제 데이터 캘리브레이션을 필요로 하지 않는 빠르고 데이터 기반의 방법을 개발하기 위해.
• 중간 단계의 광학적 성질 추정 과정에서 발생하는 오차 전파를 피하기 위해 픽셀 단위의 초기 압력 스펙트럼(S_p₀)에서 직접 sO₂를 추정하기 위해.
• 특히 깊거나 이질적인 조직에서 실제 생체 내 조건에서 sO₂ 추정의 강건성과 생리학적 타당성을 향상시키기 위해.
• 학습된 스펙트럼 탈색 기법이 표준 선형 스펙트럼 분해보다 생리학적 일致성 측면에서 뛰어나다는 것을 입증하기 위해.

제안 방법

• 이 방법은 신경망을 통해 픽셀 단위의 초기 압력 스펙트럼 S_p₀ ∈ ℝⁿ을 직접 sO₂ ∈ ℝ로 매핑하도록 훈련하여, 조도 유도 스펙트럼 왜곡을 보완하도록 학습한다.
• 훈련 데이터는 다양한 조직 기하학과 sO₂ 수준을 가진 다중스펙트럼 광음향 영상의 몬테카를로 시뮬레이션을 통해 생성되며, 실제적인 스펙트럼 색상화 효과를 시뮬레이션한다.
• 입력 스펙트럼은 진폭 정보를 제거하기 위해 정규화되며, 이는 시뮬레이션 데이터를 실제 측정치에 캘리브레이션할 필요가 없음을 의미한다.
• 네트워크는 인 시코 시뮬레이션에서 생성된 (S_p₀, sO₂) 튜플을 기반으로 훈련되며, sO₂를 타겟으로 삼아 조도 보정을 종합적으로 학습한다.
• 훈련 데이터의 주성분 분석(PCA)을 통해 시뮬레이션된 스펙트럼과 실제 생체 내 스펙트럼 간의 분포 일치를 시각화하고 검증한다.
• 이 방법은 광학 흡수율이나 조도를 직접 추정하지는 않지만, 다양한 조도 조건 하에서 스펙트럼 형태와 sO₂ 간의 관계를 암묵적으로 학습한다.

실험 결과

연구 질문

• RQ1 진정한 sO₂ 레이블 없이도 인 시코 시뮬레이션 데이터로만 훈련된 딥러닝 모델이 다중스펙트럼 초기 압력 스펙트럼에서 생리학적으로 타당한 sO₂ 추정치를 직접 도출할 수 있는가?
• RQ2 스펙트럼 색상화 효과를 보정하도록 학습하는 것이 실제 생체 내 조건에서 선형 스펙트럼 분해에 비해 sO₂ 추정 정확도를 향상시키는가?
• RQ3 다른 조직(예: 뇌와 팔뚝)에서의 실제 생체 내 스펙트럼이 시뮬레이션 훈련 데이터의 분포와 얼마나 잘 일치하는가?
• RQ4 훈련 과정에서 진정한 sO₂ 레이블이 없이도 추정치의 강건성과 신뢰성에 어떤 영향을 미치는가?
• RQ5 피부에 존재하는 멜라닌과 같이 시뮬레이션에 포함되지 않은 색소를 가진 조직으로도 이 방법이 일반화 가능한가?

주요 결과

• LSD-qPAI는 깊거나 복잡한 조직 구조에서 선형 스펙트럼 분해보다 생리학적으로 더 타당한 sO₂ 추정치를 도출한다.
• 돼지 뇌 조직에서의 실제 생체 내 결과는 PCA 분석을 통해 훈련 데이터 분포와 더 잘 일치함을 확인하여, 유사한 조직 유형으로의 일반화 능력이 뛰어나다는 것을 시사한다.
• 시뮬레이션에 모델링되지 않은 멜라닌을 포함한 팔뚝의 실제 생체 내 스펙트럼은 훈련 데이터 분포와 잘 일치하지 않아, 시뮬레이션에 포함되지 않은 색소를 가진 조직으로의 일반화에 한계가 있음을 나타낸다.
• 절대 p₀ 캘리브레이션의 필요 없이 진폭 정규화 덕분에 실제 데이터에 캘리브레이션할 필요 없이 정확한 sO₂ 추정이 가능하다.
• 네트워크는 조도나 흡수 계수를 직접 추정하지 않고도 스펙트럼 형태를 통해 조도 영향을 암묵적으로 보완한다.
• 제한된 훈련 데이터와 현실적인 노이즈 모델링의 부재에도 불구하고 초기 결과가 유망하여, 향후 검증을 통해 임상 적용 가능성이 있음을 시사한다.