[논문 리뷰] Local context encoding enables machine learning-based quantitative photoacoustics.

Thomas Kirchner, Janek Gröhl외 1명|arXiv (Cornell University)|2017. 06. 12.

Photoacoustic and Ultrasonic Imaging참고 문헌 41인용 수 7

한 줄 요약

이 논문은 국소적 맥락 인코딩(LCE)을 사용한 기계학습 기반 정량 광음향 단층촬영(qPAT) 방법을 제안한다. LCE는 단일 시뮬레이션된 PAT 이미지에서 볼륨 요소 수준의 신호 및 시스템 특성을 인코딩함으로써 수천 개의 훈련 샘플을 생성한다. 이 방법을 통해 단일 및 다중 파장 PAT 데이터로부터 국소 광선량, 광흡수율, 조직 산소포화도를 매우 정확하고 강건하게 정량화할 수 있다.

ABSTRACT

Real-time monitoring of functional tissue parameters, such as local blood oxygenation, based on optical imaging could provide groundbreaking advances in the diagnosis and interventional therapy of various diseases. While photoacoustic (PA) imaging is a novel imaging concept with great potential to measure optical absorption deep inside tissue, quantification of the measurements remains a major challenge to be addressed. In this paper, we introduce the first machine learning-based approach to quantitative PA tomography (qPAT), which relies on learning the fluence in a voxel to deduce the corresponding optical absorption. The bottleneck of training data generation is overcome by encoding relevant information of the measured signal and the characteristics of the imaging system in voxel-based context images, which allow the generation of thousands of training samples from a single simulated PAT image. Comprehensive in silico experiments demonstrate that the concept of local context encoding (LCE) enables highly accurate and robust quantification (1) of the local fluence and the optical absorption from single wavelength PAT images as well as (2) of local oxygenation from multi wavelength PAT images.

연구 동기 및 목표

• 광음향 단층촬영(PAT)에서 정확하고 강건한 정량화에 도전하는 데 초점을 맞추며, 특히 혈액 산소포화도와 같은 기능적 조직 파라미터에 중점을 둔다.
• qPAT에서 기계학습 모델의 훈련 데이터 생성에 걸리는 제약 문제를 해결하기 위해 단일 시뮬레이션된 PAT 이미지에서 효율적인 데이터 증강을 가능하게 하는 방법을 개발한다.
• 국소 광선량을 볼륨 단위로 학습하여 광흡수율을 추론함으로써 높은 정밀도로 정량 영상 촬영을 가능하게 하는 방법을 개발한다.
• 다중 파장 PAT로 확장하여 국소 산소포화도 정량화를 가능하게 하여 임상 적용에서 진단 잠재력을 향상시킨다.

제안 방법

• 국소적 맥락 인코딩(LCE)을 제안하며, 이는 공간적 정보 및 시스템 특성(예: 신호 특성, 영상 기하학)을 볼륨 기반 맥락 이미지에 인코딩하는 기법이다.
• 맥락 이미지를 기계학습 모델의 입력으로 사용하여 국소 광선량을 예측하고, 이를 통해 광흡수 계수를 추론한다.
• 맥락 인코딩 프레임워크 내에서 공간적 및 시스템 기반 변형을 적용하여 단일 시뮬레이션된 PAT 이미지에서 수천 개의 다양한 훈련 샘플을 생성한다.
• 엔드 투 엔드로 훈련된 딥 러닝 아키텍처를 사용하여 인코딩된 맥락 이미지에서 국소 광선량 및 흡수값을 매핑함으로써 단일 및 다중 파장 PAT 데이터에서의 추론을 가능하게 한다.
• 제어된 조건에서 다양한 조직 구조 및 광학적 성질을 가진 시나리오에서 모델의 훈련 및 검증을 위해 시뮬레이션을 활용하여 강건성을 확보한다.
• 훈련된 모델을 적용하여 고해상도의 국소 광선량 및 흡수율을 재구성함으로써 기능적 조직 파라미터의 정량 평가가 가능하다.

실험 결과

연구 질문

• RQ1 국소적 맥락 인코딩이 단일 시뮬레이션된 이미지에서 기계학습 모델의 충분하고 다양한 훈련 데이터를 효과적으로 생성할 수 있는가?
• RQ2 LCE로 훈련된 기계학습 모델이 단일 파장 PAT 데이터로부터 국소 광선량 및 광흡수율을 얼마나 정확하게 재구성할 수 있는가?
• RQ3 LCE 기반 접근법이 다중 파장 PAT 이미지에서 조직 산소포화도를 강건하고 정확하게 정량화할 수 있는가?
• RQ4 다양한 조직 및 영상 조건에서 LCE 기반 방법이 전통적인 qPAT 기법과 비교해 정확도 및 강건성 측면에서 어떻게 성능을 발휘하는가?

주요 결과

• 국소적 맥락 인코딩은 단일 시뮬레이션된 PAT 이미지에서 수천 개의 훈련 샘플을 생성함으로써 qPAT에서 기계학습에 필요한 데이터 집약적 문제를 극복한다.
• 이 방법은 단일 파장 PAT 이미지에서 국소 광선량 및 광흡수율을 매우 정확하게 재구성하며, 포괄적인 시뮬레이션 실험을 통해 정량적 성능이 검증되었다.
• 이 접근법은 다중 파장 PAT 데이터로부터 국소 조직 산소포화도를 강건하게 정량화할 수 있으며, 기능적 영상 촬영 응용 분야 잠재력을 보여준다.
• 모델은 조직 구조 및 광학적 성질의 변동성에 대해 매우 강건하여 다양한 해부학적 상황에서의 높은 일반화 능력을 보였다.
• 볼륨 수준 표현에 시스템 특성 및 신호 기반 맥락 정보를 통합함으로써 모델 성능 향상과 데이터 효율성 향상이 크게 향상되었다.
• 결과적으로 LCE 기반 기계학습은 전통적인 반복적 재구성 방법에 비해 실현 가능하고 강력한 대안임을 입증하였다.