[논문 리뷰] Fast and accurate reconstruction of HARDI using a 1D encoder-decoder convolutional network

Shi Yin, Zhengqiang Zhang외 2명|arXiv (Cornell University)|2019. 03. 21.

Advanced Neuroimaging Techniques and Applications참고 문헌 7인용 수 7

한 줄 요약

이 논문은 감소된 q-space 측정치에서 고각해상도 확산 영상(HARDI)을 신속하고 정확하게 재구성하기 위한 1D 인코더-디코더 컨volution 신경망(1d-ED CNN)을 제안한다. 기존 HARDI 데이터를 사용한 지도 학습을 통해 저각해상도(LAR) 신호에서 전체 HARDI 신호로의 매핑을 학습함으로써, 압축 감쇠 기반 접근법에 비해 더 높은 재구성 정확도와 속도를 달성하며, 특히 높은 감소 요인에서 뛰어난 성능을 보인다.

ABSTRACT

High angular resolution diffusion imaging (HARDI) demands a lager amount of data measurements compared to diffusion tensor imaging, restricting its use in practice. In this work, we explore a learning-based approach to reconstruct HARDI from a smaller number of measurements in q-space. The approach aims to directly learn the mapping relationship between the measured and HARDI signals from the collecting HARDI acquisitions of other subjects. Specifically, the mapping is represented as a 1D encoder-decoder convolutional neural network under the guidance of the compressed sensing (CS) theory for HARDI reconstruction. The proposed network architecture mainly consists of two parts: an encoder network produces the sparse coefficients and a decoder network yields a reconstruction result. Experiment results demonstrate we can robustly reconstruct HARDI signals with the accurate results and fast speed.

연구 동기 및 목표

• 높은 측정 요구사항으로 인해 장기적인 스캔 시간이 발생하는 HARDI의 임상적 제약을 해결하기 위해.
• 수작업으로 만든 딕셔너리와 반복 최적화에 의존하는 전통적인 압축 감쇠(CS) 방법의 한계를 극복하기 위해.
• 기존 HARDI 데이터셋의 통계적 패턴을 활용하여 저각해상도(LAR)에서 전체 HARDI 신호로의 직접적인 매핑을 학습하기 위해.
• 기존 CS 기반 방법보다 더 빠르고 더 견고한 딥 러닝 프레임워크를 개발하여, 특히 높은 감소 요인에서의 성능을 향상시키기 위해.
• 어린이나 치매 환자와 같은 취약 인구집단을 포함한 임상 적용에 적합한 실시간 HARDI 재구성 기술을 가능하게 하기 위해.

제안 방법

• LAR 신호에서 전체 HARDI 신호로의 엔드 투 엔드 매핑을 학습하기 위해 1D 인코더-디코더 컨volution 신경망(1d-ED CNN)을 설계한다.
• 방향 정보를 유지하기 위해 4채널 입력을 사용한다: LAR 신호와 구좌표계에서의 해당 기울기 방향 성분(qx, qy, qz) 세 개를 포함한다.
• 학습 중 측정 신호와 기울기 방향에 대해 무작위로 섞는 전략을 적용하여 일반화 능력과 모델의 견고성을 향상시킨다.
• 대규모 LAR 및 HARDI 신호 쌍 데이터셋을 사용하여 정규화 평균 제곱오차(NMSE)를 손실 함수로 사용해 지도 학습 방식으로 네트워크를 훈련시킨다.
• 세 개의 인코더 및 디코더 블록을 사용하며, 각 블록은 1×9 커널 필터를 사용하고, 다운샘플링에는 스트라이드 컨볼루션, 업샘플링에는 역전치 컨볼루션을 적용한다.
• 실제 HARDI 데이터를 기반으로 한 엔드 투 엔드 훈련을 통해 명시적 딕셔너리 학습이나 희소 코딩을 피함으로써 직접적인 신호 재구성 과정을 학습한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 상당히 감소된 수의 q-space 측정치에서 전체 HARDI 신호를 효과적으로 재구성할 수 있는가?
• RQ2 실제 HARDI 데이터를 기반으로 훈련된 1D 인코더-디코더 CNN이 전통적인 압축 감쇠 방법에 비해 재구성 정확도와 속도에서 뛰어난 성능을 보일 수 있는가?
• RQ3 측정 수가 극적으로 감소했을 때(예: 전체 측정치의 1/5), 제안된 방법의 견고성은 어떠한가?
• RQ4 대규모 HARDI 데이터셋의 통계적 특성을 효과적으로 활용하여 일반화 가능한 재구성 매핑을 학습할 수 있는가?
• RQ5 제안된 방법이 HARDI 재구성에서 반복 최적화 또는 수작업으로 만든 딕셔너리의 필요성을 제거할 수 있는가?

주요 결과

• 제안된 1d-ED CNN은 모든 테스트 감소 요인(KL = 30, 23, 18)에서 가장 낮은 정규화 평균 제곱오차(NMSE)를 기록하여 RGD-CS 및 RGD-L2 방법을 모두 능가했다.
• KL = 18(전체 측정치의 1/5)일 때, 1d-ED CNN은 평균 NMSE 0.0199를 기록하여 RGD-CS(0.0612)와 RGD-L2(0.1128)보다 유의미하게 낮은 오차를 보이며 고감소 요인에서 뛰어난 견고성을 입증했다.
• 낮은 측정 수에서도 높은 정확도를 유지했으며, KL = 18일 때 최소 NMSE 0.0021을 기록하여 희소 샘플링 조건에서도 강력한 일반화 능력을 보였다.
• 1d-ED CNN은 반복 최적화가 없는 완전한 피드포워드 추론 구조를 가지므로, CPU에서도 CS 기반 방법보다 빠른 속도를 기록했다.
• 방향 분포 함수(ODF)의 시각적 비교 결과, 1d-ED CNN이 재구성한 ODF는 RGD-CS 및 RGD-L2에 비해 기준값에 더 가까운 시각적 유사성을 보였다.
• 모든 테스트 감소 수준에서 일관된 성능을 보였으며, NMSE의 변동성이 최소화되어 안정성과 신뢰성을 입증했다.