[논문 리뷰] MITNet: GAN Enhanced Magnetic Induction Tomography Based on Complex CNN

Zuohui Chen, Qing Yuan외 6명|arXiv (Cornell University)|2021. 02. 16.

Electrical and Bioimpedance Tomography참고 문헌 39인용 수 7

한 줄 요약

이 논문은 복소수 신호를 직접 처리하여 고해상도 뇌 생체 임피던스 분포를 복원하는 GAN 강화 복소수 합성곱 신경망(MITNet)을 제안한다. 실세계 데이터셋에서 최신 기술 대비 25.27% 향상된 성능을 달성하며, 형상 및 위치 복원 정확도가 뛰어나 82.25% IoU와 3.31 픽셀 CD를 기록한다.

ABSTRACT

Magnetic induction tomography (MIT) is an efficient solution for long-term brain disease monitoring, which focuses on reconstructing bio-impedance distribution inside the human brain using non-intrusive electromagnetic fields. However, high-quality brain image reconstruction remains challenging since reconstructing images from the measured weak signals is a highly non-linear and ill-conditioned problem. In this work, we propose a generative adversarial network (GAN) enhanced MIT technique, named MITNet, based on a complex convolutional neural network (CNN). The experimental results on the real-world dataset validate the performance of our technique, which outperforms the state-of-art method by 25.27%.

연구 동기 및 목표

• 실세계 환경에서 약한 노이즈가 많고 조건이 불량한 MIT 신호로부터 정확한 생체 임피던스 지도를 복원하는 데 도전한다.
• 기존의 선형 방법 및 시뮬레이션 데이터나 크기 정보만을 사용하는 기존 딥러닝 기법의 한계를 극복한다.
• 복소수 신호 정보를 유지하면서 적대적 훈련을 통해 영상 품질을 향상시키는 딥러닝 프레임워크를 개발한다.
• 자체 제작한 MIT 시스템을 활용해 수집한 실세계 데이터셋을 바탕으로 제안된 방법을 검증하여 임상적 타당성과 실용성을 확보한다.

제안 방법

• MITNet은 복소수 신호의 크기 정보만을 사용하거나 실수/허수 부분으로 분리하지 않고, 원시 복소수 MIT 측정값을 직접 처리하기 위해 복소수 합성곱 신경망(CNN)을 활용한다.
• 고주파 성분을 학습하고 구조적 일致성을 향상시켜 복원 품질을 향상시키기 위해 생성적 적대적 네트워크(GAN)를 통합한다.
• 이중 단계 훈련 전략을 사용한다: 먼저 오토인코더 구성 요소를 사전 훈련하여 네트워크 가중치를 초기화하고, 이후 적대적 손실과 복원 손실을 함께 사용해 엔드 투 엔드 GAN 훈련을 수행한다.
• 모델은 텐서플로우 기반의 Adam 옵timizer를 사용하여 고정 학습률 0.001로 200 에포크 동안 훈련하고, Tesla V100 GPU에서 배치 크기 16로 학습한다.
• 후처리 단계로, 각 삼각형 영역을 주변 영역과 평균화하여 고해상도 아티팩트를 감소시킨다.
• GAN 구성 요소는 기준 모델(NR, FCN, SAE)의 출력을 정밀하게 다듬는 데 적용되어 적대적 강화의 효과를 검증한다.

실험 결과

연구 질문

• RQ1 실세계 MIT 데이터로 훈련된 딥러닝 모델이 기존 방법보다 생체 임피던스 분포 복원에서 뛰어난 성능을 보일 수 있는가?
• RQ2 크기 정보만을 처리하는 것과 비교해 복소수 신호 정보를 유지할 경우 복원 정확도에 어떤 영향을 미치는가?
• RQ3 GAN 기반 정밀화가 특히 형상 및 경계 정확도에서 영상 품질 향상에 얼마나 기여하는가?
• RQ4 실제 물체의 크기와 형태가 다양할 경우, 예를 들어 실린더와 삼각기둥 형태에서 MITNet의 일반화 능력은 어느 정도인가?
• RQ5 실제 데이터에서 전통적인 선형 방법과 표준 딥러닝 기반 모델 대비 GAN 강화 복소수 CNN이 뛰어난 성능을 낼 수 있는가?

주요 결과

• MITNet은 평균 82.25%의 최고 수준 IoU와 평균 3.31 픽셀의 최저 수준 Contour Distance(CD)를 기록하여 모든 기준 모델을 압도했다.
• 35mm 및 30mm 실린더 물체에서 각각 88.61%와 86.68%의 IoU를 달성하여 크기 변화에 대한 강건성을 입증했다.
• 삼각기둥 물체에서 MITNet은 71.47%의 IoU를 기록하여 SAE(69.70%)와 FCN(74.20%)를 뛰어넘어 더 나은 형상 인식 능력을 보였다.
• GAN 강화는 모든 기준 모델의 성능을 향상시켰지만, MITNet은 모든 데이터 유형에서 여전히 최상의 성능을 유지하여, 복소수-CNN과 GAN의 통합 설계의 효과를 입증했다.
• 자체 제작한 MIT 시스템을 활용해 수집한 실세계 데이터셋에서 최신 기술 대비 재구성 오차를 25.27% 감소시켜 성능 향상을 검증했다.