[논문 리뷰] Medical image reconstruction: a brief overview of past milestones and future directions

Jeffrey A. Fessler|arXiv (Cornell University)|2017. 07. 19.

Medical Imaging Techniques and Applications참고 문헌 34인용 수 11

한 줄 요약

이 논문은 의료 영상 복원 기술의 발전 과정을 분석적 방법에서 반복적 방법, 데이터 기반 방법으로의 전환을 다루며, 가능도 모델과 사전 모델을 활용한 모델 기반 접근 방식을 강조한다. 학습 기반 정규화 요소와 편환 최적화 알고리즘의 발전을 중심으로, 2017년 압축 감지 MRI의 FDA 승인이 임상 적용의 중요한 전환점이 되었으며, 이는 10여 년이 넘는 연구 개발 끝에 이뤄진 결과이다.

ABSTRACT

This paper briefly reviews past milestones in the field of medical image reconstruction and describes some future directions. It is part of an overview paper on "open problems in signal processing" that will appear in IEEE Signal Processing Magazine, but presented here with citations and equations.

연구 동기 및 목표

• 의료 영상에서 분석적 복원 방법에서 반복적 복원 방법으로의 역사를 추적한다.
• 노이즈가 많거나 완전하지 않은 데이터로부터 영상 품질을 향상시키기 위해 통계적 모델링과 정규화의 역할을 검토한다.
• 수학적으로 정의된 사전 모델에서 벗어나 데이터 기반 신호 모델과 학습된 정규화 요소로의 패러다임 전환을 탐색한다.
• 임상 실무에서 기계 학습 기반 복원 방법을 도입하는 데 있어 도출되는 과제와 기회를 평가한다.
• 차세대 영상 복원을 위한 최적화, 일반화 및 진단 성능 평가의 개방형 연구 문제를 규명한다.

제안 방법

• 이미지 복원을 최대 사후 확률( MAP ) 추정 문제로 설정하기 위해 베이지안 프레임워크를 사용하며, 가능도 $p(y|x)$와 사전 $p(x)$를 통합한다.
• 이dealized 시스템 모델에 의존하는 고전적 분석적 방법(예: 필터링 배경 투영, 역 푸리에 변환)을 검토한다.
• 물리적 시스템 모델과 통계적 노이즈 특성을 통합한 반복적 방법을 분석하며, 최적화를 통해 MAP 문제를 해결한다.
• 특히 압축 감지 MRI에서 사용되는 스파arsity 유도 정규화 요소(예: 총 변동성, 웨이브릿)를 논의한다.
• 수동으로 설계된 사전 모델을 대체하기 위해 사전 학습된 사전 모델 및 블라인드/적응형 변환 학습 기반의 데이터 기반 접근 방식을 소개한다.
• 반복 알고리즘을 딥 뉴럴 네트워크 유사 아키텍처로 변환하고(예: LISTA), 데이터 기반 학습을 통해 복원 성능을 향상시키는 방법을 제안한다.

실험 결과

연구 질문

• RQ1 PET, SPECT, CT, MRI 등의 영상 모odal에서 모델 기반 반복적 복원 방법이 분석적 방법에 비해 영상 품질을 얼마나 향상시켰는가?
• RQ2 이론적 이점이 있음에도 불구하고 고급 반복적 방법의 도입을 지연시키는 주요 기술적 및 임상적 장벽은 무엇인가?
• RQ3 학습된 사전 모델(예: 학습된 사전 또는 딥 네트워크)이 다양한 영상 프로토콜과 환자 집단 간에 얼마나 일반화될 수 있는가?
• RQ4 복원 정확도뿐 아니라 진단용 영상 품질까지 최적화하기 위해 훈련 목표는 어떻게 설계되어야 하는가?
• RQ5 학습된 복원 모델의 비선형성과 해석 불가능성은 임상적 신뢰도 및 규제 승인에 어떤 영향을 미치는가?

주요 결과

• 스파arsity와 $\ell_1$-정규화에 기반한 압축 감지 MRI는 10여 년이 넘는 연구 개발 끝에 2017년 FDA 승인을 획득하였다.
• 수정된 가우시안 마르코프 무작위 필드(MRF)를 사용한 반복적 MAP 방법은 PET 및 CT에서 임상적으로 도입되어 노이즈 증폭을 줄이며 영상 품질을 향상시켰다.
• PET, SPECT, CT 등의 모달리티에서 분석적 방법에서 반복적 방법으로의 전환은 계산 부담과 임상 유효성 검증 필요성으로 인해 10~20년이 넘는 기간이 소요되었다.
• 학습된 사전 모델 및 적응형 변환을 통한 데이터 기반 정규화 요소는 전통적인 수학적으로 정의된 사전 모델에서의 근본적인 전환을 이끌었으며, 더 복잡한 영상 구조를 보다 잘 모델링할 수 있도록 하였다.
• LISTA와 같은 편환 최적화 방법은 학습된 반복적 절차가 표준 솔버보다 속도와 정확도 면에서 뛰어나다는 것을 보여주며, 특히 희소 데이터에서 뛰어난 성능을 발휘한다.
• 진전이 있었음에도 불구하고, 영상 프로토콜 간 일반화, 환자 다양성, MSE가 아닌 진단 성능 기반 훈련 메트릭과의 일치 여부 등에서 여전히 큰 과제가 남아 있다.