[논문 리뷰] MRI Banding Removal via Adversarial Training

Aaron Defazio, Tullie Murrell외 1명|arXiv (Cornell University)|2020. 01. 23.

Medical Imaging Techniques and Applications참고 문헌 20인용 수 8

한 줄 요약

이 논문은 인간의 레이블링이나 추가 계산을 요구하지 않고 딥러닝 기반의 MRI 재구성에서 띠무늬 잡음(banding artifacts)을 제거하기 위한 적대적 훈련 방법을 제안한다. 단서는 위상 인코딩 방향에 따라 정렬된 띠무늬 패턴을 탐지하도록 훈련된 판별자(discriminator)를 사용하여, 진단적 세부 정보를 유지하면서도 눈에 띄는 잡음을 크게 감소시킨다. 블라인드 평가에서 전문 방사선의사 평가 결과 기준 모델보다 뛰어난 성능을 보였다.

ABSTRACT

MRI images reconstructed from sub-sampled Cartesian data using deep learning techniques often show a characteristic banding (sometimes described as streaking), which is particularly strong in low signal-to-noise regions of the reconstructed image. In this work, we propose the use of an adversarial loss that penalizes banding structures without requiring any human annotation. Our technique greatly reduces the appearance of banding, without requiring any additional computation or post-processing at reconstruction time. We report the results of a blind comparison against a strong baseline by a group of expert evaluators (board-certified radiologists), where our approach is ranked superior at banding removal with no statistically significant loss of detail.

연구 동기 및 목표

• 딥러닝 기반 MRI 재구성에서 띠무늬 잡음이라는 주요 임상적 장벽을 해결하기 위해.
• 인간 레이블링 데이터나 후처리를 요구하지 않고도 띠무늬를 감소시키는 방법을 개발하기 위해.
• 영상의 세부 정보를 유지하면서 방사선의사의 시각적 품질 인식을 향상시키기 위해.
• 모든 감독 기반 딥러닝 MRI 재구성 프레임워크와 호환되는 플러그인 솔루션을 만들기 위해.

제안 방법

• 위상 인코딩 방향에 따라 정렬된 띠무늬 잡음을 탐지할 수 있는 방향성 적대자(orientation adversary)를 도입하여 재구성 영상 간의 차이를 식별한다.
• 진짜 영상이 아닌 재구성된 영상만을 사용하여 판별자를 훈련시어, 가짜 해부학적 세부 정보가 포함되지 않도록 한다.
• 표준 감독 기반 MRI 재구성 모델의 훈련 목표에 적대적 손실을 통합한다.
• 띠무늬가 가장 눈에 띄는 영역, 예를 들어 저대비도 또는 고노이즈 영역에 집중하기 위해 마스킹 절차를 사용한다.
• 표준 GAN 최적화를 통해 생성자(generator)와 판별자(discriminator)를 함께 훈련시키며, 생성자는 띠무늬가 없는 출력을 학습한다.
• 아키텍처나 추론 파이프라인을 수정하지 않고도 최신의 MRI 재구성 모델에 이 방법을 적용한다.

실험 결과

연구 질문

• RQ1 인간의 레이블링이 없이도 적대적 훈련이 딥러닝 기반 MRI 재구성에서 띠무늬 잡음을 효과적으로 줄일 수 있는가?
• RQ2 제안된 방법은 띠무늬 제거와 함께 미세한 해부학적 세부 정보를 유지하는가?
• RQ3 기본 영상이 없이도 방향성 적대자가 띠무늬 패턴을 탐지할 수 있는가?
• RQ4 이 방법은 기존의 감독 기반 MRI 재구성 프레임워크와 호환되는가?
• RQ5 블라인드 평가에서 이 방법은 방사선의사의 영상 품질 인식을 향상시키는가?

주요 결과

• 보건사정을 통과한 방사선의사가 실시한 블라인드 평가에서, 제안된 방법은 띠무늬 제거 측면에서 기준 모델보다 뛰어난 순위를 기록했으며, 세부 정보 손실은 통계적으로 유의미하지 않았다.
• 방사선의사 평가 결과 기준 재구성 영상에서 띠무늬가 발견된 비율은 72.5%였으며(95% 신뢰구간: 0.62–0.82), 반면 적대적 방법은 평가자 간 중앙값으로 20%로 감소시켰다.
• 이 방법은 추론 시 추가 계산이나 후처리 없이도 뛰어난 성능을 달성했다.
• 방향성 적대자는 진짜 영상 없이 재구성된 영상만을 사용하여도 띠무늬 패턴을 성공적으로 탐지했으며, 가짜 해부학적 구조가 포함될 위험을 피했다.
• 이 방법은 감독 기반 딥러닝 MRI 재구성 모델이라면 어떤 모델에도 일반적으로 적용 가능하며, 플러그인 형태의 훈련 손실로 작동한다.
• 재현성과 통합을 위해 참고 구현 코드는 보충 자료에 공개되어 있다.