[논문 리뷰] Non-locally Encoder-Decoder Convolutional Network for Whole Brain QSM Inversion

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|2019. 04. 11.

Advanced MRI Techniques and Applications참고 문헌 12인용 수 5

한 줄 요약

이 논문은 단일 대비 SWI 데이터로부터 고해상도 전체 뇌 혈관 수축도 지도를 재구성하기 위한 3D 비국소 인코더-디코더 게이팅 컨볼루션 신경망인 QSMInvNet을 제안한다. 정합된 데이터를 활용하고 전방 디폴드 모델링을 적용하며 비국소 블록과 게이팅 컨볼루션을 통합함으로써, TKD, FANSI 및 MEDI와 비교해 더 뛰어난 이미지 선명도와 잡음 억제 성능을 달성하여 정규화 파rameter 조정 없이 실시간, 잡음 최소화된 QSM 재구성을 가능하게 한다.

ABSTRACT

Quantitative Susceptibility Mapping (QSM) reconstruction is a challenging inverse problem driven by ill conditioning of its field-to -susceptibility transformation. State-of-art QSM reconstruction methods either suffer from image artifacts or long computation times, which limits QSM clinical translation efforts. To overcome these limitations, a non-locally encoder-decoder gated convolutional neural network is trained to infer whole brain susceptibility map, using the local field and brain mask as the inputs. The performance of the proposed method is evaluated relative to synthetic data, a publicly available challenge dataset, and clinical datasets. The proposed approach can outperform existing methods on quantitative metrics and visual assessment of image sharpness and streaking artifacts. The estimated susceptibility maps can preserve conspicuity of fine features and suppress streaking artifacts. The demonstrated methods have potential value in advancing QSM clinical research and aiding in the translation of QSM to clinical operations.

연구 동기 및 목표

• 기존 방법에서 발생하는 스타일링 잡음과 이미지 흐림 현상으로 인해 악화되는 QSM 역전파 문제의 불안정성을 해결하기 위해.
• 추가 스캔이 필요 없이 표준 임상적 SWI 프로토콜을 기반으로 전체 뇌 영역의 고해상도 QSM 재구성을 가능하게 하는 딥러닝 기반 방법을 개발하기 위해.
• 스타일링 및 그림자 잡음 억제를 통해 소형 혈관내출혈 및 석회화와 같은 세밀한 해부학적 구조를 유지함으로써 영상 품질을 향상시키기 위해.
• 수동적인 정규화 파rameter 조정이 필요 없도록 하여 임상 현장에서 즉시 사용 가능한 플러그 앤 플레이 배포를 가능하게 하기 위해.
• 기존 임상적 SWI 데이터를 활용해 프로토콜 수정 없이 진단에 유의미한 QSM 지도를 생성할 수 있음을 입증하기 위해.

제안 방법

• 지역적 필드 지도와 뇌 마스크에서 혈관 수축도 지도를 추론하기 위해 3D 인코더-디코더 컨볼루션 신경망을 사용하며, 게이팅 컨볼루션과 확장 컨볼루션을 통합한다.
• 장거리 맥락 모델링을 향상시키고 큰 혈관 수축 영역의 추정을 개선하기 위해 비국소 블록을 통합한다.
• 단일 인비보 COSMOS 데이터셋을 기반으로 기하학적 왜곡, 삽입된 형태, 국소 대비 변화를 적용한 후 전방 디폴드 컨볼루션을 통해 필드 지도를 계산함으로써 합성 훈련 데이터를 생성한다.
• 예측된 혈관 수축도 지도와 진정된 지도 간의 L1 손실을 사용하여 네트워크를 훈련시키며, RMSprop 최적화 및 배치 정규화를 적용한다.
• 데이터 증강 기법으로 탄성 변형, 다양한 혈관 수축도 값과 방향을 가진 무작위로 배치된 기하학적 형태, 국소 대비 조정을 적용한다.
• 합성 데이터, 공개된 QSM 챌린지 데이터셋, 다양한 해상도와 슬라이스 두께를 가진 여러 임상적 SWI 데이터셋을 대상으로 성능을 평가한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 접근법이 기존 QSM 역전파 방법(TKD, FANSI, MEDI)보다 이미지 선명도 향상과 잡음 억제 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 패치 기반 재구성 없이도 비국소 인코더-디코더 네트워크가 전체 뇌 영역에서 장거리 혈관 수축도 의존성을 효과적으로 모델링할 수 있는가?
• RQ3 게이팅 컨볼루션의 사용이 조직과 경계의 혈관 수축도 특징을 구분하는 네트워크 능력을 향상시키는가?
• RQ4 기존 표준 프로토콜로 획득한 실제 임상적 SWI 데이터에 대해 일반화 성능을 보이며, 추가 스캔이나 골드 스탠다드 검증이 필요 없이 적용 가능한가?
• RQ5 정규화 파rameter 조정 없이 GPU 하드웨어에서 실시간 추론을 달성할 수 있는가?

주요 결과

• 합성 데이터에서 QSMInvNet은 TKD, FANSI 및 MEDI 대비 더 낮은 RMSE(0.025 vs. 0.038–0.052), 더 높은 HFEN(0.87 vs. 0.72–0.80), 더 높은 SSIM(0.96 vs. 0.88–0.92)를 기록했다.
• 임상 사례에서 QSMInvNet 지도는 더 뛰어난 이미지 선명도를 보이며, 축소된 축면 영상에서 흰색 화살표로 표시된 소형 석회화 및 출혈성 병변과 같은 세밀한 구조를 잘 유지했다.
• 특히 수술 후 공동 및 병변 영역 등 혈관 수축도 대비가 높은 영역에서 QSMInvNet은 스타일링 및 그림자 잡음이 크게 감소한 것으로 확인되었다.
• QSM에서 반자성 물질인 헤모시딘(등강조)과 반자성 물질인 석회화(저강조)를 효과적으로 구분하여, SWI의 블룸잉 잡음로 인한 한계를 극복했다.
• QSMInvNet은 GPU 하드웨어에서 실시간 추론을 달성하여 기존 방법에서 요구하는 정규화 파rameter 조정이 필요 없어졌다.
• 서브두개내 체액 축적, 수술 후 방사선치료 후 전이성 병변, 수술 계획용 사례 등 다양한 임상 데이터에 대해 뛰어난 강인성과 일관된 고품질 출력을 보였다.