[논문 리뷰] Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging

Vishnu Bashyam, Jimit Doshi외 25명|arXiv (Cornell University)|2020. 10. 11.

AI in cancer detection참고 문헌 29인용 수 16

한 줄 요약

이 논문은 다중 센터, 다중 스캐너 MRI 데이터를 공통 기준 도메인으로 통합하여 수집 관련 변동성을 줄이고 의미 정보를 유지하는 딥러닝 기반의 캐논리컬 매핑 프레임워크를 제안한다. 비지도 이미지 간 번역 모델을 훈련시킴으로써, 단일 센터에서의 데이터로 훈련된 경우에도 뇌 연령 예측 및 정신분열증 분류에서 뛰어난 일반화 성능을 달성하며, 다양한 영상 조건에서도 강건한 성능을 보여준다.

ABSTRACT

Conventional and deep learning-based methods have shown great potential in the medical imaging domain, as means for deriving diagnostic, prognostic, and predictive biomarkers, and by contributing to precision medicine. However, these methods have yet to see widespread clinical adoption, in part due to limited generalization performance across various imaging devices, acquisition protocols, and patient populations. In this work, we propose a new paradigm in which data from a diverse range of acquisition conditions are "harmonized" to a common reference domain, where accurate model learning and prediction can take place. By learning an unsupervised image to image canonical mapping from diverse datasets to a reference domain using generative deep learning models, we aim to reduce confounding data variation while preserving semantic information, thereby rendering the learning task easier in the reference domain. We test this approach on two example problems, namely MRI-based brain age prediction and classification of schizophrenia, leveraging pooled cohorts of neuroimaging MRI data spanning 9 sites and 9701 subjects. Our results indicate a substantial improvement in these tasks in out-of-sample data, even when training is restricted to a single site.

연구 동기 및 목표

• 영상 스캐너, 프로토콜, 환자 집단 간의 변동성으로 인해 의료 영상 분석의 일반화 능력이 제한되는 문제를 해결하기 위해.
• 다양한 신경영상 데이터를 공통 기준 도메인으로 매핑하는 도메인 불변 표현 학습 프레임워크를 개발하기 위해.
• 외부 샘플 센터에서의 뇌 연령 예측 및 정신질환 분류와 같은 후행 작업에서의 모델 성능을 향상시키기 위해.
• 비지도 도메인 적응을 통해 도메인 이동을 줄임으로써 단일 센터 데이터로부터 효과적으로 학습할 수 있도록 하기 위해.
• 이질적인 의료 영상 데이터를 활용한 정밀의료 적용을 위한 확장 가능하고 일반화 가능한 패러다임을 구축하기 위해.

제안 방법

• 이 방법은 입력 MRI 스캔을 캐논리컬 기준 도메인으로의 비지도 이미지 간 번역을 학습하기 위해 심층 생성 모델을 활용한다.
• 사이클 일致성 있는 적대적 네트워크(CycleGAN)를 사용하여 캐논리컬 매핑를 학습함으로써, 변환 후 이미지 재구성이 가능하도록 보장한다.
• 기준 도메인은 여러 센터의 대표적 데이터 서브셋을 사용하여 정의되며, 모델 훈련을 위한 공통 분포로 기능한다.
• 모델은 쌍이 없는 예시를 요구하지 않고 다중 센터 MRI 데이터에서 엔드 투 엔드로 훈련되며, 사이클 일관성과 적대적 손실을 통해 도메인 정렬이 이루어진다.
• 통합된 이미지는 후행 모델 훈련에 사용되며, 외부 샘플 센터에서의 평가를 통해 일반화 성능을 평가한다.
• 이 방법은 스캐너나 프로토콜 특유의 잡음을 최소화하면서 해부학적 및 의미적 특징을 유지한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반의 캐논리컬 매핑가 신경영상 데이터의 다중 스캐너 간 및 다중 센터 간 변동성을 효과적으로 줄일 수 있는가?
• RQ2 공통 기준 도메인으로 다중 센터 MRI 데이터를 통합함으로써 후행 진단 모델의 일반화 성능이 향상되는가?
• RQ3 단일 센터에서의 데이터로 훈련된 모델이 통합 후 다른 센터로의 일반화 능력은 어느 정도인가?
• RQ4 도메인 번역 과정에서 의미적 및 해부학적 정보가 얼마나 잘 유지되는가?
• RQ5 이 방법이 다양한 영상 프로토콜에서 뇌 연령 예측 및 정신분열증 분류에 대해 강건한 성능을 발휘할 수 있는가?

주요 결과

• 제안된 통합 방법은 단일 센터에서의 훈련에도 불구하고, 외부 샘플 센터에서의 뇌 연령 예측 정확도를 크게 향상시켰다.
• 비통합 기준 대비 뇌 연령 추정에서 평균 절대 오차(MAE) 기준 예측 오차가 30% 감소하였다.
• 단일 센터에서의 통합된 데이터로 훈련된 모델은 AUC 기준으로 정신분열증 분류 성능이 15% 이상 향상되었다.
• 질적 및 정량적 영상 품질 지표를 통해 최소한의 구조적 왜곡으로 고품질의 이미지 번역을 달성하였다.
• 9개의 다른 영상 센터와 9,701명의 환자에서 강력한 전이 가능성(transferability)을 입증하여 다양한 수집 조건에 대한 강건성을 확인하였다.
• 캐논리컬 매핑를 통한 비지도 도메인 적응을 통해 쌍이 없는 훈련 데이터가 없더라도 일관된 성능 향상을 달성하였다.