[논문 리뷰] Medical Imaging Synthesis using Deep Learning and its Clinical Applications: A Review

Tonghe Wang, Yang Lei외 4명|arXiv (Cornell University)|2020. 04. 21.

Medical Imaging Techniques and Applications참고 문헌 174인용 수 14

한 줄 요약

이 리뷰는 방사선 옹류학 및 영상의학에서의 상호 및 내부 모odal 이미징을 위한 딥러닝 기반 의료 영상 합성 방법을 종합적으로 분석하며, 임상적 유용성을 강조한다. 딥러닝은 전통적인 방법보다 더 현실적이고 고해상도의 합성 영상을 신속하게 생성하는 데서 뛰어난 성능을 보이며, 다양한 해부학적 구조, 스캐너, 데이터 분포에 걸쳐도 안정성이 확보되지 않은 도전 과제가 남아 있다.

ABSTRACT

This paper reviewed the deep learning-based studies for medical imaging synthesis and its clinical application. Specifically, we summarized the recent developments of deep learning-based methods in inter- and intra-modality image synthesis by listing and highlighting the proposed methods, study designs and reported performances with related clinical applications on representative studies. The challenges among the reviewed studies were summarized in the discussion part.

연구 동기 및 목표

• 다양한 영상 모odal리티와 프로토콜을 통해 딥러닝 기반 의료 영상 합성 방법을 체계적으로 검토하기.
• 방사선 옹류학 및 영상의학 워크플로우에서 이러한 방법의 성능 및 임상 적용 가능성을 평가하기.
• 모델 일반화, 데이터 다양성 및 임상 현장 적용 과제를 특정하기.
• 성능 및 실용성 측면에서 딥러닝 접근법과 전통적인 모델 기반 방법을 비교하기.
• 강건하고 다중 기관, 임상 현장에서 활용 가능한 영상 합성 시스템을 위한 향후 연구 방향을 제시하기.

제안 방법

• 2020년 2월까지 PubMed에서 영상 합성, 딥러닝, 의료 영상 모달리티(CT, MRI, PET 등)와 관련된 关련 키워드를 사용해 체계적인 문헌 검색을 수행하였다.
• 피어 리뷰된 저널 논문을 수작업으로 선별하였으며, 참고문헌 추적을 통해 추가 연구를 확보하여 총 111篇의 논문을 포함하였다.
• 딥러닝 아키텍처(예: U-Net, CycleGAN), 영상 모달리티 쌍, 응용 유형(상호 대비 내부 모달리티 합성)에 따라 연구를 분류하였다.
• 평균 절대 오차(MAE), 구조적 유사도(SSIM), 시각적 품질 등의 성능 지표를 사용하여 방법 간 비교를 수행하였다.
• 다양한 스캐너, 환자 집단, 영상 프로토콜에 걸쳐 모델 일반화 능력을 평가하였으며, 데이터의 대표성에 중점을 두었다.
• 합성 영상 검증을 위한 품질 보증 절차를 포함한 임상 준비도 평가 프레임워크를 제안하였다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 영상 합성 방법은 영상 품질과 임상적 유용성 측면에서 전통적인 모델 기반 방법과 어떻게 비교될 수 있는가?
• RQ2 고해상도의 상호 및 내부 모달리티 영상 합성을 가능하게 하는 주요 딥러닝 아키텍처와 학습 전략은 무엇인가?
• RQ3 다양한 환자 해부학적 구조, 인공 관절 등 임플란트, 스캐너 제조사에 따라 모델 성능과 강건성이 얼마나 변하는가?
• RQ4 쌍체적 대비 비쌍체적 학습 데이터는 딥러닝 기반 합성의 성능과 실현 가능성에 어떤 영향을 미치는가?
• RQ5 이러한 모델을 임상 워크플로우에 구현할 때 주요 과제는 무엇이며, 이를 어떻게 해결할 수 있는가?

주요 결과

• 딥러닝 기반 방법은 평균 절대 오차(MAE)가 낮고 구조적 유사도(SSIM)가 높아 전통적인 모델 기반 접근법보다 현실적인 합성 영상을 더 잘 생성한다.
• 3D U-Net 모델은 2D 모델보다 뼈 부위 재구성에서 더 높은 정확도를 보였지만, 더 많은 학습 데이터와 계산 자원이 필요하다.
• 비쌍체적 생성 모델인 CycleGAN은 픽셀 수준의 대응 관계에 의존도를 낮춰 더 큰 규모의 데이터셋을 활용할 수 있도록 하였다.
• 입력 데이터가 학습 분포에서 벗어나면 모델 성능이 저하되며, 특히 인공 관절(예: 고관절 보철물)이나 극단적인 해부학적 변형이 있는 경우에 심해진다.
• 대부분의 연구에서 단일 기관, 단일 스캐너 데이터셋을 사용하여 일반화 능력이 제한되어 있으며, 다중 기관 검증과 떠남-한 기관 생략 전략이 필요하다.
• 임상 현장 적용을 위해서는 새로운 환자 케이스 및 시스템 업데이트 상황에서도 모델 일관성과 합성 영상 품질을 모니터링할 수 있는 강력한 품질 보증 절차가 필요하다.