[논문 리뷰] Estimation of Tissue Microstructure Using a Deep Network Inspired by a Sparse Reconstruction Framework

Chuyang Ye|arXiv (Cornell University)|2017. 04. 05.

Advanced Neuroimaging Techniques and Applications참고 문헌 12인용 수 11

한 줄 요약

이 논문은 희소 복원에 영감을 받아, 확산 MRI에서 NODDI 미세구조 추정을 가속화하고 향상시키기 위한 딥러닝 프레임워크인 MEDN을 제안한다. 문제를 사전 기반 희소 복원 작업으로 모델링하고 두 개의 연결된 네트워크 단계를 공동으로 훈련함으로써, MEDN은 60개의 확산 기울기만으로도 AMICO와 MLP보다 더 높은 정확도를 달성하며, 세포 내 부피 분율, 뇌척수액 분율, 방향 분산의 추정 오차를 크게 감소시킨다.

ABSTRACT

Diffusion magnetic resonance imaging (dMRI) provides a unique tool for noninvasively probing the microstructure of the neuronal tissue. The NODDI model has been a popular approach to the estimation of tissue microstructure in many neuroscience studies. It represents the diffusion signals with three types of diffusion in tissue: intra-cellular, extra-cellular, and cerebrospinal fluid compartments. However, the original NODDI method uses a computationally expensive procedure to fit the model and could require a large number of diffusion gradients for accurate microstructure estimation, which may be impractical for clinical use. Therefore, efforts have been devoted to efficient and accurate NODDI microstructure estimation with a reduced number of diffusion gradients. In this work, we propose a deep network based approach to the NODDI microstructure estimation, which is named Microstructure Estimation using a Deep Network (MEDN). Motivated by the AMICO algorithm which accelerates the computation of NODDI parameters, we formulate the microstructure estimation problem in a dictionary-based framework. The proposed network comprises two cascaded stages. The first stage resembles the solution to a dictionary-based sparse reconstruction problem and the second stage computes the final microstructure using the output of the first stage. The weights in the two stages are jointly learned from training data, which is obtained from training dMRI scans with diffusion gradients that densely sample the q-space. The proposed method was applied to brain dMRI scans, where two shells each with 30 gradient directions (60 diffusion gradients in total) were used. Estimation accuracy with respect to the gold standard was measured and the results demonstrate that MEDN outperforms the competing algorithms.

연구 동기 및 목표

• 기존의 NODDI 피팅 방식이 높은 계산 비용과 많은 확산 기울기가 필요하여 임상 적용에 한계가 있다는 점을 해결하기 위해.
• 딥러닝을 활용하여 확산 기울기를 60개로 줄임으로써 미세구조 추정 정확도를 향상시키기 위해.
• AMICO 알고리즘의 사전 기반 희소 복원 프레임워크에서 영감을 얻어 딥 네트워크 아키텍처를 설계하기 위해.
• 두 개의 연결된 단계에서 네트워크 가중치를 공동으로 학습하여 최종적인 미세구조 매개변수 예측을 위한 엔드 투 엔드 최적화를 수행하기 위해.
• 높은 정확도를 유지하면서도 임상적으로 실현 가능한 dMRI 프로토콜을 가능하게 하기 위해, 주요 NODDI 매개변수인 세포 내 부피 분율, 뇌척수액 부피 분율, 방향 분산을 정확하게 추정하기 위해.

제안 방법

• 이 방법은 두 단계로 구성된 딥 신경망을 사용한다: 첫 번째 단계는 반복적 희소 복원 과정을 모방하며, 반복적 하드 스위칭과 유사한 사전 기반 정규화 최소 제곱 문제를 해결한다.
• 두 번째 단계는 첫 번째 단계의 출력을 정규화하고 가중치를 적용하여 최종 NODDI 매개변수를 예측한다. 이는 변환 후 뇌척수액 부피 분율, 세포 내 부피 분율, 방향 분산을 포함한다.
• 세 가지 미세구조 매개변수의 평균 제곱오차 합을 최소화하는 손실 함수를 사용하여 네트워크 가중치를 공동으로 훈련한다.
• 훈련 데이터는 밀도 높은 q-공간을 갖는 dMRI 스캔에서 생성되며, 기저값으로서의 미세구조 매개변수는 AMICO 알고리즘을 사용해 계산된다.
• 네트워크는 각 이미징 프로토콜별로 훈련되며, 아키텍처는 AMICO 프레임워크의 해석 가능성은 유지하면서 성능을 향상시키도록 설계되었다.
• 첫 번째 단계는 학습 가능한 파rameter λ를 가진 임계 처리 ReLU 활성화 함수를 사용하며, 반복 최적화 알고리즘을 풀어내는 방식으로 네트워크 구조가 유도되었다.

실험 결과

연구 질문

• RQ1 밀도 높은 q-공간 데이터로 훈련된 딥러닝 모델이 오직 60개의 확산 기울기만으로도 NODDI 미세구조 매개변수를 정확하게 추정할 수 있는가?
• RQ2 희소 복원에서 영감을 얻은 두 단계로 구성된 딥 네트워크 아키텍처가 표준 딥러닝 및 기존의 AMICO보다 미세구조 추정 정확도에서 뛰어난가?
• RQ3 단계 간의 네트워크 가중치를 공동 최적화함으로써 세포 내 부피 분율, 뇌척수액 부피 분율, 방향 분산의 추정 성능을 향상시킬 수 있는가?
• RQ4 제안된 MEDN 프레임워크는 노이즈에 대해 강건하며, AMICO와 MLP보다 더 매끄럽고 정확한 지도를 생성할 수 있는가?
• RQ5 실제 임상 프로토콜에 일반화될 수 있으며, Human Connectome Project 데이터를 통해 높은 정확도를 유지하는가?

주요 결과

• MEDN은 AMICO와 MLP보다 추정 오차를 크게 감소시켰으며, 세포 내 부피 분율(v_ic)의 평균 오차가 9% 감소했다.
• MEDN은 뇌척수액 부피 분율(v_iso)의 평균 오차를 20% 감소시켜 외세포 및 뇌척수액 구획의 추정 정확도가 뛰어나다는 것을 입증했다.
• MEDN은 방향 분산(OD)의 평균 오차를 두 번째로 우수한 방법(MLP)보다 7% 감소시켜 섬유 방향 복잡성의 추정 성능 향상을 보였다.
• 시각적 비교 결과, MEDN은 특히 복잡한 섬유 구조를 가진 영역(예: 전방 대뇌량대)에서 v_ic와 OD의 더 매끄럽고 해부학적으로 타당한 지도를 생성했다.
• 대응 t-검정 결과, MEDN의 성능은 모든 다섯 명의 시험 대상에서 AMICO와 MLP보다 유의미하게 뛰어나다(p < 0.001).
• 결과적으로, 두 단계 네트워크 아키텍처의 공동 학습이 임상적으로 실현 가능한 스캔 프로토콜 하에서 미세구조 추정 정확도를 향상시킨다는 것이 검증되었다.