[논문 리뷰] Meta-QSM: An Image-Resolution-Arbitrary Network for QSM Reconstruction

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|2019. 08. 01.

Advanced MRI Techniques and Applications참고 문헌 18인용 수 5

한 줄 요약

Meta-QSM는 메타예측된 컨볼루션 필터 가중치를 사용하여 임의의 이미지 해상도에서 정량적 순화도 맵(QSM)을 재구성하는 단일 딥러닝 모델을 제안한다. 입력 해상도에 따라 필터 가중치를 조건화함으로써 각 해상도별로 재학습이 필요 없게 되어, 합성 및 임상 데이터에서 최신 기술 수준의 성능을 달성하며, 잡음 억제와 미세 구조 보존에 뛰어난 성능을 보인다.

ABSTRACT

Quantitative Susceptibility Mapping (QSM) can estimate the underlying tissue magnetic susceptibility and reveal pathology. Current deep-learning-based approaches to solve the QSM inverse problem are restricted on fixed image resolution. They trained a specific model for each image resolution which is inefficient in computing. In this work, we proposed a novel method called Meta-QSM to firstly solve QSM reconstruction of arbitrary image resolution with a single model. In Meta-QSM, weight prediction was used to predict the weights of kernels by taking the image resolution as input. The proposed method was evaluated on synthetic data and clinical data with comparison to existing QSM reconstruction methods. The experimental results showed the Meta-QSM can effectively reconstruct susceptibility maps with different image resolution using one neural network training.

연구 동기 및 목표

• 현재의 딥러닝 기반 QSM 방법들이 각 해상도별로 별도의 모델이 필요로 하는 비효율성을 해결하기 위해.
• 재학습 없이도 임의의 입력 해상도에서 QSM를 재구성할 수 있는 통합 신경망을 개발하기 위해.
• 다양한 해상도 전용 모델을 저장하거나 재학습할 필요 없이 임상적 실용성을 향상시키기 위해.
• 세밀한 조직 미세구조를 보존하고 스트레일링 잡음을 억제함으로써 재구성 품질을 향상시키기 위해.

제안 방법

• 3D U-Net 기반의 인코더-디코더 네트워크는 입력 이미지 해상도에 따라 동적으로 필터 가중치를 생성하는 가중치 예측 컨볼루션 레이어(WP-Conv)를 사용한다.
• WP-Conv 레이어는 각 해상도 입력에 대한 커널 가중치와 편향을 예측하는 완전 연결 및 활성화 서브넷으로 구성된다.
• 모델은 COSMOS QSM 데이터셋에서 생성한 합성 데이터를 사용하여 훈련되며, 탄성 왜곡, 기하학적 형태, 대trast 변화 등의 데이터 증강 기법이 적용된다.
• 이미지 해상도가 가중치 예측 네트워크의 입력으로 명시적으로 포함되어 있어 해상도 일반화가 가능하다.
• 손실 함수는 예측된 정량적 순화도 맵과 진짜 값 간의 L1 손실을 사용하며, WP-Conv 레이어에 L2 정규화를 적용한다.
• 훈련에는 RMSprop를 사용하고 학습률 감소 전략을 적용하며, 30,000개의 합성 데이터 샘플을 9:1 비율로 훈련 및 검증 세트로 분할한다.

실험 결과

연구 질문

• RQ1 재학습 없이도 단일 딥러닝 모델이 임의의 이미지 해상도에서 QSM를 재구성할 수 있는가?
• RQ2 고정 해상도 모델에 비해 메타학습된 가중치 예측이 다양한 해상도 간 일반화에 어떻게 기여하는가?
• RQ3 Meta-QSM는 임상 QSM 데이터에서 스트레일링 잡음 억제와 미세구조 보존에 어느 정도 기여하는가?
• RQ4 기존의 전통적 및 최신 기술 수준의 QSM 재구성 방법과 비교하여 Meta-QSM는 정량적 및 정성적 측면에서 어떤가?
• RQ5 출혈, 석회화 등의 병리학적 특징을 포함한 합성 데이터를 사용하면 실제 임상 케이스에서의 성능 향상에 기여하는가?

주요 결과

• 합성 데이터에서 Meta-QSM는 가장 낮은 RMSE(1.11±3.77), HFEN(16.75±3.84), 가장 높은 SSIM(0.960±0.013)을 기록하여 TKD, iLSQR, MEDI를 모두 능가했다.
• 0.76×0.76×3.0 mm³ 해상도에서 Meta-QSM는 Mesa-QSM보다 높은 SSIM(0.984±0.007)과 낮은 RMSE(18.87±2.00)를 기록했다(25.34±1.74).
• 0.5×0.5×2.0 mm³ 해상도에서 Mesa-QSM는 RMSE(25.13±1.75 vs. 28.33±1.70)에서 Meta-QSM를 略로 앞섰으며, 이는 훈련 데이터의 분포 불일치 때문일 가능성이 높다.
• 3T 연구 및 임상 SWI 데이터에 대한 정성적 평가에서 Meta-QSM는 스트레일링 잡음을 효과적으로 억제하고, 특히 출혈성 및 석회화 부위에서 미세구조를 잘 유지하는 것으로 나타났다.
• 특히 복잡한 임상 케이스에서 TKD, iLSQR, MEDI에 비해 블러링과 그림자 잡음 억제가 뛰어난 고해상도 QSM 영상을 생성했다.
• 모델은 뇌졸중, 신경섬유종, 수술 계획 등 다양한 임상 상황에서 뛰어난 성능을 보였으며, 일관된 잡음 억제와 구조적 충실도를 유지했다.