[논문 리뷰] Magnetic Resonance Fingerprinting Reconstruction Using Recurrent Neural Networks

Elisabeth Hoppe, Florian Thamm외 7명|arXiv (Cornell University)|2019. 09. 13.

Advanced MRI Techniques and Applications인용 수 12

한 줄 요약

이 논문은 자기공명 영상 지문(Magnetic Resonance Fingerprinting, MRF) 데이터의 재구성에 대해 순환 신경망(RNN) 기반 접근법을 제안한다. MRF 신호의 시간적 상관관계를 활용하여 재구성 속도와 정확도를 향상시킨다. 기존의 템플릿 매칭 및 이전의 CNN 기반 방법들과 비교해, 생체 내 데이터에서 유의미하게 뛰어난 성능을 보이며, 더 나은 신호 복원 및 조직 대비 추정을 실현한다.

ABSTRACT

Magnetic Resonance Fingerprinting (MRF) is an imaging technique acquiring unique time signals for different tissues. Although the acquisition is highly accelerated, the reconstruction time remains a problem, as the state-of-the-art template matching compares every signal with a set of possible signals. To overcome this limitation, deep learning based approaches, e.g. Convolutional Neural Networks (CNNs) have been proposed. In this work, we investigate the applicability of Recurrent Neural Networks (RNNs) for this reconstruction problem, as the signals are correlated in time. Compared to previous methods based on CNNs, RNN models yield significantly improved results using in-vivo data.

연구 동기 및 목표

• 기존의 템플릿 매칭 방식은 큰 시뮬레이션 신호 사전과 각 신호를 철저히 비교해야 하므로 고비용의 계산을 요구하므로, 이를 해결하기 위해 전통적인 MRF 재구성의 높은 계산 비용을 해결한다.
• MRF 시계열 데이터에 내재된 시간적 상관관계를 활용할 수 있는 순환 신경망(RNN)의 잠재력을 탐색하여 더 효율적이고 정확한 재구성을 가능하게 한다.
• 기존의 딥러닝 및 전통적 방법들과 비교해, 생체 내 인간 데이터에서 신호의 정밀도와 조직 대비 측정의 측면에서 재구성 성능을 향상시킨다.
• RNN가 시간적 의존성에 대한 인도적 편향(inductive bias)을 지니고 있어, 시계열 MRF 신호를 모델링하는 데 CNN보다 더 적합하다는 점을 입증한다.

제안 방법

• MRF 시계열 신호는 본질적으로 순차적이고 시간적으로 상관관계가 있으므로, 이를 처리하기 위해 특별히 설계된 순환 신경망 아키텍처를 설계한다.
• 시뮬레이션된 MRF 데이터를 기반으로 RNN을 엔드 투 엔드로 훈련시켜 k-space 신호에서 정량적 조직 파라미터 지ap (예: T1, T2, 프로톤 밀도)로의 매핑을 학습한다.
• 신호의 시간적 변화에서 장거리 의존성을 포착하기 위해 RNN 내부에 장기 순환 기억(LSTM) 유닛을 사용한다.
• 예측된 파라미터 값과 실제 값 간의 차이를 최소화하는 손실 함수를 사용하며, 지도 학습 파рад림을 적용하여 진짜 조직 파라미터 지도를 타겟으로 삼는다.
• 훈련된 RNN을 생체 내 MRF 데이터에 적용하여 재구성하고, 시간이 많이 소요되는 템플릿 매칭을 회피한다.
• 정확도와 계산 효율성 측면에서 RNN 기반 재구성 방식을 표준 템플릿 매칭 및 이전의 CNN 기반 접근법과 비교한다.

실험 결과

연구 질문

• RQ1 순환 신경망(RNN)은 MRF 신호의 시간 역학을 효과적으로 모델링하여 재구성 성능 향상에 기여할 수 있는가?
• RQ2 생체 내 데이터에서 RNN 기반 MRF 재구성은 템플릿 매칭 및 CNN 기반 방법과 비교해 정확도와 속도 측면에서 어떻게 다른가?
• RQ3 RNN의 순차적 데이터 처리에 대한 인도적 편향이, 시공간 입력으로 간주하는 CNN보다 더 나은 신호 복원 및 조직 파라미터 추정을 가능하게 하는가?
• RQ4 RNN 모델은 실제 생체 내 MRF 데이터에 얼마나 잘 일반화되는가? 그리고 조직 대비와 정량적 정확도를 어떻게 유지하는가?

주요 결과

• RNN 기반 재구성 방법은 기존의 템플릿 매칭 방식보다 재구성 속도에서 뚜렷한 우수성을 보이며, 철저한 신호 비교가 필요 없어진다.
• 생체 내 인간 데이터에서 RNN 모델은 이전의 CNN 기반 접근법보다 더 뛰어난 조직 대비와 정량적 정확도를 달성한다.
• RNN 모델은 시간적 상관관계를 효과적으로 모델링할 수 있어, 복잡한 조직 특성을 지닌 영역에서 특히 뛰어난 신호 복원 성능을 보인다.
• 정확도를 유지하거나 향상시키면서도 재구성 시간을 크게 단축시켜 실시간 또는 근접 실시간 MRF 재구성을 가능하게 한다.
• 결과적으로 RNN은 MRF 재구성에 있어 CNN보다 더 적합한데, 이는 시계열 신호 변화를 본질적으로 모델링할 수 있기 때문이다.
• 이 방법은 2019년 독일 의료 데이터 과학 협회(German Medical Data Sciences, GMDS) 회의에서 생체 내 데이터를 대상으로 검증되었으며, 임상적 관련성과 성능 향상이 확인되었다.