[논문 리뷰] Learning Personalized Representation for Inverse Problems in Medical Imaging Using Deep Neural Network

Kuang Gong, Kyung Sang Kim외 5명|arXiv (Cornell University)|2018. 07. 04.

Medical Imaging Techniques and Applications참고 문헌 21인용 수 3

한 줄 요약

이 논문은 환자의 고유한 이전 영상만을 사용하고, 쌍화된 훈련 데이터가 필요 없도록, ADMM 최적화 내부에 깊이 신경망을 데이터 기반 정규화 요소로 통합하여 개인화된 딥러닝 프레임워크를 제안한다. 이 방법은 뇌 PET 영상 복원 및 노이즈 제거에서 전통적 기법들을 능가하며, 고선량 또는 장시간 스캔 기반 기준 영상이 필요 없이도 뛰어난 대비 대 노이즈 비율과 구조적 정확도를 달성한다.

ABSTRACT

Recently deep neural networks have been widely and successfully applied in computer vision tasks and attracted growing interests in medical imaging. One barrier for the application of deep neural networks to medical imaging is the need of large amounts of prior training pairs, which is not always feasible in clinical practice. In this work we propose a personalized representation learning framework where no prior training pairs are needed, but only the patient's own prior images. The representation is expressed using a deep neural network with the patient's prior images as network input. We then applied this novel image representation to inverse problems in medical imaging in which the original inverse problem was formulated as a constraint optimization problem and solved using the alternating direction method of multipliers (ADMM) algorithm. Anatomically guided brain positron emission tomography (PET) image reconstruction and image denoising were employed as examples to demonstrate the effectiveness of the proposed framework. Quantification results based on simulation and real datasets show that the proposed personalized representation framework outperform other widely adopted methods.

연구 동기 및 목표

• 딥러닝을 통한 의료 영상 역문제 해결에서 고품질의 훈련 쌍이 제한되어 있는 문제를 해결하고자 하며, 특히 안전성이나 실용성 제약으로 인해 고선량 또는 장시간 스캔 촬영이 어려운 상황을 고려한다.
• 외부 레이블이 포함된 데이터셋이 필요 없이 환자의 고유한 이전 영상만을 입력으로 사용하는 개인화된 표현 학습 프레임워크를 개발하고자 한다.
• 깊이 신경망을 제약 최적화 프레임워크 내에서 적응형 정규화 요소로 통합하여 PET 복원 및 노이즈 제거와 같은 역문제에서 이미지 품질을 향상시키고자 한다.
• 임상적 뇌 PET 영상 촬영 응용 분야에서 제안된 프레임워크의 유효성을 입증하고, 최신 기법들 대비 정량적 및 시각적 성능 향상을 보여주고자 한다.

제안 방법

• 프레임워크는 역문제를 펜리드 최적화 단계와 딥 네트워크 훈련 단계로 분리하기 위해 분할된 다중승수 방법(ADMM)을 사용한다.
• 환자의 이전 영상에서 개인화된 이미지 표현을 학습하기 위해 약 146만 개의 학습 가능한 파라미터를 가진 수정된 3D U-Net 아키텍처를 사용한다.
• 쌍화된 진짜 레이블이 필요 없이 환자의 고유한 이전 영상만을 입력으로 사용하여 네트워크를 종합적으로 훈련시키므로, 저선량 또는 제한된 스캔 임상 환경에 적합하다.
• ADMM 프레임워크는 최적화 과정에서 제약 조건을 강제하여 데이터 일관성을 확보하고, 깊이 신경망은 환자 고유의 해부학적 구조를 코딩하는 학습된 정규화 요소로 기능한다.
• 이 방법은 두 가지 임상 과제에 적용된다: 해부학 기반 뇌 PET 복원 및 전신 PET 노이즈 제거이며, CT 영상이 이전 입력으로 사용된다.
• 최적화 과정은 데이터 일관성 하위 문제를 해결하고, 역전파를 통해 네트워크 파라미터를 갱신하는 방식으로 번갈아가며 수행되어, 공동 학습과 복원을 가능하게 한다.

실험 결과

연구 질문

• RQ1 쌍화된 훈련 데이터가 없이도 깊이 신경망이 환자의 고유한 이전 영상에서 개인화된 이미지 표현을 학습할 수 있는가?
• RQ2 학습된 정규화 요소로 깊이 신경망을 통합함으로써 저선량 또는 노이즈가 많은 PET 영상 복원 및 노이즈 제거 성능이 어떻게 향상되는가?
• RQ3 제안된 ADMM 기반 프레임워크는 효과적인 종합적 훈련을 가능하게 하면서도 데이터 일관성을 유지하는가?
• RQ4 제안된 방법은 전통적 기법들인 가우시안 필터링, 비국소 평균, 커널 기반 접근법들과 비교해 정량적으로 어떻게 성능을 냈는가?
• RQ5 이 프레임워크는 뇌 및 전신 PET 영상과 같은 다양한 임상 상황에서 일반화되어 일관된 이미지 품질 향상을 보일 수 있는가?

주요 결과

• 전신 PET 노이즈 제거 과정에서 제안된 방법은 10명의 환자 데이터셋에서 평균 CNR 49.29를 기록했으며, 가우시안 방법(41.11)과 비국소 평균 방법(NLM, 45.18)보다 뚜렷이 뛰어난 성능을 보였다.
• 뇌 PET 복원 과정에서 제안된 방법은 커널 기반 방법들 대비 더 선명한 피질 구조와 감소된 백질 노이즈를 보였으며, 병변 대비 향상과 잡음 감소 효과를 보였다.
• CR-STD 곡선 분석 결과, 제안된 방법은 대비와 표준편차 사이의 최적 균형을 달성하여 뛰어난 이미지 품질과 노이즈 억제 성능을 입증했다.
• 정성적 및 정량적 평가 모두에서 최신 기법들을 능가했으며, 특히 작은 구조를 유지하고 병변의 가시성을 향상시키는 데 뛰어난 성능을 보였다.
• 실제 임상 데이터셋에서 뛰어난 안정성과 일관성을 보였으며, 다양한 환자 연구와 영상 촬영 프로토콜 전반에서 지속적인 향상이 관찰되었다.
• 이론적 수렴 보장이 없음에도 불구하고, 최적화 궤적을 통해 실질적으로 단조 수렴 성향을 보였으며, 이는 실용적 안정성을 시사한다.