[논문 리뷰] Gadolinium dose reduction for brain MRI using conditional deep learning

Thomas Pinetz, Erich Kobler외 8명|arXiv (Cornell University)|2024. 03. 06.

Medical Imaging Techniques and ApplicationsMedicine인용 수 3

한 줄 요약

이 논문은 뇌 MRI에서 gadolinium-based contrast agent(GBCA) 복용량을 줄이기 위해 조건부 딥러닝 프레임워크를 제안한다. 저선량 감마차분 영상에서 대조 신호를 향상시키는 방식으로, 표준선량 감마차분 영상의 노이즈가 제거된 목표 영상으로 훈련하여 잡음 생성을 방지한다. 이 방법은 뛰어난 병변 시각화 성능을 보이며, 표준선량을 초월하는 대조 신호를 가진 합성 영상을 생성할 수 있어, 정량적 및 정성적 평가에서 최신 기술들을 능가한다.

ABSTRACT

Recently, deep learning (DL)-based methods have been proposed for the computational reduction of gadolinium-based contrast agents (GBCAs) to mitigate adverse side effects while preserving diagnostic value. Currently, the two main challenges for these approaches are the accurate prediction of contrast enhancement and the synthesis of realistic images. In this work, we address both challenges by utilizing the contrast signal encoded in the subtraction images of pre-contrast and post-contrast image pairs. To avoid the synthesis of any noise or artifacts and solely focus on contrast signal extraction and enhancement from low-dose subtraction images, we train our DL model using noise-free standard-dose subtraction images as targets. As a result, our model predicts the contrast enhancement signal only; thereby enabling synthesization of images beyond the standard dose. Furthermore, we adapt the embedding idea of recent diffusion-based models to condition our model on physical parameters affecting the contrast enhancement behavior. We demonstrate the effectiveness of our approach on synthetic and real datasets using various scanners, field strengths, and contrast agents.

연구 동기 및 목표

• 뇌 MRI에서 gadolinium-based contrast agent(GBCA) 복용량을 줄이되 진단 정확도를 유지하는 임상적 과제를 해결하기 위해.
• 기존 딥러닝 기법들이 전체 영상을 합성하기 때문에 잡음이나 병변 유사 생성(홀로그래피)을 유발할 수 있는 한계를 극복하기 위해.
• 영상 합성과는 별개로 감마차분 영상에 집중하여 대조 신호 향상과 영상의 현실성 및 진단 정확도를 향상시키기 위해.
• 자기공명영상 촬영의 물리적 촬영 조건(예: 자기장 강도, 복용량, 리라크시티)을 조건부로 하여 일반화 및 정확도 향상을 도모하기 위해.
• 저선량 영상에 예측된 대조 신호를 더하여 표준선량 영상보다 강한 대조 신호를 가진 대조 강화 영상을 생성할 수 있도록 하기 위해.

제안 방법

• 사전 대조 및 저선량 대조 강화 MRI 쌍을 이용해 감마차분 영상을 계산하여 노이즈에서 대조 신호를 분리한다.
• 노이즈가 제거된 표준선량 감마차분 영상에서 유도된 목표 감마차분 영상과의 편차를 최소화함으로써 조건부 컨volution 신경망(CNN)이 표준선량 대조 신호를 예측하도록 훈련한다.
• 표준선량 감마차분 영상에 통계 모델을 적용하여 노이즈를 억제하면서 진짜 대조 강화 신호를 유지함으로써 목표 대조 신호를 확보한다.
• 학습된 임bedding를 통해 자기장 강도, 복용량, 리라크시티 등의 물리적 매개변수를 조건부로 하여 다양한 촬영 설정에서 정확한 예측이 가능하도록 한다.
• 추론 시, 예측된 대조 신호를 사전 대조 영상 또는 저선량 영상에 더하여 각각 표준선량 또는 초강화 영상을 합성한다.
• 전체 영상 합성 대신 대조 신호 예측에 집중함으로써 생성 잡음의 발생을 방지한다.

Figure 1: Visualization of our dose reduction and contrast enhancement DL approach. The inference process is illustrated at the top using solid arrows, while the additional processing steps for training are shown at the bottom. In both cases, pairs of pre-contrast $\mathbf{x}_{\mathrm{PC}}$ and cont

실험 결과

연구 질문

• RQ1 딥러닝 모델이 잡음 생성 없이 저선량 감마차분 영상에서 진짜 대조 신호를 효과적으로 추출하고 향상시킬 수 있는가?
• RQ2 자기장 강도, 복용량, 리라크시티와 같은 물리적 촬영 조건을 모델에 조건부로 적용함으로써 대조 신호 예측의 정확도와 일반화 능력이 향상되는가?
• RQ3 예측된 대조 신호를 사용하여 표준선량을 초월하는 대조 강화 영상을 생성할 수 있으며, 병변 시각화가 향상되는가?
• RQ4 합성 및 실제 저선량 데이터에 대해 정량적 지표(PSNR, 대조 강화)와 정성적 영상 품질 측면에서 최신 기술들과 비교해 모델 성능은 어떠한가?
• RQ5 모델의 임베딩 벡터가 MRI 촬영의 기본 물리적 매개변수를 어느 정도 반영하는가?

주요 결과

• 제안된 방법은 합성(SLD-METS) 및 실제 저선량(RLD) 데이터셋에서 뇌 영역과 병변 영역에서 가장 높은 PSNR 점수를 기록하였으며, 기준 모델 대비 통계적으로 유의미한 향상이 있었다.
• RLD 데이터셋에서 병변 영역의 PSNR에서 경쟁 모델들을 뛰어넘는 유의미한 성능 향상을 보이며 실제 촬영 변동성에 대한 강건성을 입증하였다.
• 표준선량 수준을 초월하는 상대적 대조 강화를 보였으며, 표본 평균 및 최대 대조 강화 점수는 표 3에 기재되어 있다.
• PCA 및 t-SNE를 활용한 임베딩 분석 결과, 모델의 잠재공간은 물리적 매개변수를 인코딩하고 있음을 확인: 자기장 강도와 복용량은 선형 추세를 보였고, 리라크시티 및 노이즈 수준은 명확한 클러스터를 형성하였다.
• 정성적 평가에서 PSNR가 가장 높지 않은 경우에도 경쟁 기법보다 병변 세부 정보를 더 잘 유지함을 확인하여, 향상된 진단 관련성을 입증하였다.
• 노이즈가 제거된 표준선량 감마차분 영상 영상이 목표로 사용됨으로써, 생성 잡음 없이 대조 신호 예측이 가능했으며, 일반적인 생성 영상 합성에서 흔히 발생하는 환각 문제를 피할 수 있었다.

Figure 2: Illustration of the preprocessing steps for extracting the initial low-dose subtraction image $\tilde{\mathbf{z}}_{\mathrm{LD}}$ from the pre-contrast $\mathbf{x}_{\mathrm{PC}}$ and low-dose $\mathbf{x}_{\mathrm{LD}}$ image. The top images in the steps show the transformed low-dose image w