[논문 리뷰] Moving Beyond Simulation: Data-Driven Quantitative Photoacoustic Imaging Using Tissue-Mimicking Phantoms.

Janek Gröhl, Thomas R. Else외 4명|arXiv (Cornell University)|2023. 06. 11.

Photoacoustic and Ultrasonic Imaging인용 수 5

한 줄 요약

이 연구는 정량적 광음향 영상에 대한 지도 학습을 가능하게 하기 위해 실험적으로 특성화된 조직 모의 환영체와 그 디지털 트윈을 포함하는 새로운 데이터셋을 소개한다. 실제 실험 데이터를 기반으로 U-Net을 훈련시한 결과, 시뮬레이션 기반 훈련에 비해 성능이 뛰어나 도메인 갭에 기인한 편향을 감소시키고, 몽테카를로 광율 보정 방법에 비해 흡수 계수 추정 정확도를 향상시켰으며, 이 보정 방법은 약 20%의 오차를 보였다.

ABSTRACT

Accurate measurement of optical absorption coefficients from photoacoustic imaging (PAI) data would enable direct mapping of molecular concentrations, providing vital clinical insight. The ill-posed nature of the problem of absorption coefficient recovery has prohibited PAI from achieving this goal in living systems due to the domain gap between simulation and experiment. To bridge this gap, we introduce a collection of experimentally well-characterised imaging phantoms and their digital twins. This first-of-a-kind phantom data set enables supervised training of a U-Net on experimental data for pixel-wise estimation of absorption coefficients. We show that training on simulated data results in artefacts and biases in the estimates, reinforcing the existence of a domain gap between simulation and experiment. Training on experimentally acquired data, however, yielded more accurate and robust estimates of optical absorption coefficients. We compare the results to fluence correction with a Monte Carlo model from reference optical properties of the materials, which yields a quantification error of approximately 20%. Application of the trained U-Nets to a blood flow phantom demonstrated spectral biases when training on simulated data, while application to a mouse model highlighted the ability of both learning-based approaches to recover the depth-dependent loss of signal intensity. We demonstrate that training on experimental phantoms can restore the correlation of signal amplitudes measured in depth. While the absolute quantification error remains high and further improvements are needed, our results highlight the promise of deep learning to advance quantitative PAI.

연구 동기 및 목표

• 정량적 광학 성질 추정을 방해하는 시뮬레이션과 실험적 광음향 영상 데이터 간의 도메인 갭을 해소하기 위해.
• 알려진 광학 성질을 가진 실제 실험적 환영체를 활용하여 신뢰할 수 있는 데이터 기반 정량적 광음향 영상 접근법을 개발하기 위해.
• 실험 데이터 기반으로 훈련된 딥 러닝 모델이 전통적인 광율 보정 방법에 비해 흡수 계수 추정 성능을 향상시키는지 평가하기 위해.
• 학습된 모델의 성능을 임상 이전의 생체 내 데이터에서 검증하여 임상 적용 가능성을 입증하기 위해.

제안 방법

• 800 nm에서 조절 가능한 흡수성질(µa = 0.05–4.0 cm⁻¹)과 감소된 산산화성질(µ′s = 5–15 cm⁻¹)을 가진 오일 기반 공중합체-기반 혼합물을 사용하여 137개의 실린더형 조직 모의 환영체를 제작하였다.
• 이중 적층 영역계(AP) 시스템을 사용하여 광학 성질을 측정하여 기준 참값을 확립하였으며, 오차는 약 20%로 추정되었다.
• 몬테카를로 시뮬레이션과 k-space 음향 모델링을 사용하여 환영체의 디지털 트윈을 생성하여, 시뮬레이션된 및 실험적 PA 영상 데이터 쌍을 생성하였다.
• 시뮬레이션된 및 실험적 PA 영상 데이터를 모두 사용하여 U-Net 신경망을 훈련시켜 픽셀 단위의 흡수 계수(µa)를 예측하였다.
• 훈련된 모델을 새로운 테스트 환영체와 생체 내 마우스 데이터에 적용하여 일반화 능력과 깊이에 따른 신호 복원 능력을 평가하였다.
• 학습된 방법들을 몽테카를로 기반 광율 보정 방법과 비교하였으며, DIS 측정 광학 성질을 기준으로 하였다.

실험 결과

연구 질문

• RQ1 실험적 광음향 영상 데이터 기반으로 훈련된 딥 러닝 모델이 시뮬레이션 기반 훈련 모델보다 광학 흡수 계수 추정 성능을 뛰어나게 하는가?
• RQ2 시뮬레이션과 실험 간의 도메인 갭이 정량적 광음향 영상의 정확도를 어느 정도 저하시키는가?
• RQ3 정량화 오차와 깊이에 따른 신호 복원 능력 측면에서 학습된 모델은 전통적인 광율 보정 방법과 어떻게 비교되는가?
• RQ4 환영체 기반으로 훈련된 데이터 기반 모델이 생체 내 임상 이전 데이터로 일반화 가능한가, 깊이에 따른 신호 진폭 상관관계를 유지하는가?
• RQ5 기준 광학 성질 측정에서 주요 오차 원인은 무엇이며, 이들이 모델 성능에 어떤 영향을 미치는가?

주요 결과

• 실험적 데이터 기반으로 U-Net을 훈련시한 결과, 시뮬레이션 기반 훈련에 비해 더 정확하고 강건한 흡수 계수 추정 결과를 얻었으며, 이는 아티팩트와 편향을 유발하였다.
• 몬테카를로 기반 광율 보정 방법은 약 20%의 정량화 오차를 기록하여 성능 기준선으로 기능하였다.
• 테스트 환영체에서 실험적 데이터 기반 훈련된 U-Net은 깊이에 따른 신호 추정에서 시뮬레이션 기반 훈련 모델보다 스펙트럼 편향을 감소시켰다.
• 혈류 환영체에 적용한 결과, 시뮬레이션 기반 훈련 모델은 파장에 따라 편향을 보였지만, 실험적 데이터 기반 훈련 모델은 깊이에 따른 신호 진폭 추세를 유지하였다.
• 마우스 모델에서 두 학습 기반 접근법 모두 깊이에 따른 신호 강도 손실을 성공적으로 복원하였으며, 기준 방법에 비해 깊이와의 상관관계가 향상됨을 보였다.
• 이러한 발전에도 불구하고 절대 정량화 오차는 여전히 높고, DIS 측정 오차(~20%)와 모델링 근사치(예: 2차원 음향, 균일한 재료)가 향후 향상 여부를 제한하고 있다.