[논문 리뷰] O-Net: A Convolutional Neural Network for Quantitative Photoacoustic Image Segmentation and Oximetry

Geoffrey P. Luke, Kevin Hoffer-Hawlik외 2명|arXiv (Cornell University)|2019. 11. 05.

Photoacoustic and Ultrasonic Imaging참고 문헌 19인용 수 22

한 줄 요약

O-Net은 유방 조직 내에서의 빛 전달을 위한 3D 몬테카를로 시뮬레이션을 사용하여 사진음향 영상에서 혈관을 동시에 분할하고 산소 포화도(SO2)를 추정하는 딥 컨volution 신경망이다. 시뮬레이션된 初기 압력 분포로 훈련된 O-Net은 <50ms의 추론 시간, 5.1%의 중앙 SO2 오차, 95% 이상의 분할 정확도를 달성하여 실시간 정량적 산소포화도 측정을 가능하게 한다.

ABSTRACT

Estimation of blood oxygenation with spectroscopic photoacoustic imaging is a promising tool for several biomedical applications. For this method to be quantitative, it relies on an accurate method of the light fluence in the tissue. This is difficult deep in heterogeneous tissue, where different wavelengths of light can experience significantly different attenuation. In this work, we developed a new deep neural network to simultaneously estimate the oxygen saturation in blood vessels and segment the vessels from the surrounding background tissue. The network was trained on estimated initial pressure distributions from three-dimensional Monte Carlo simulations of light transport in breast tissue. The network estimated vascular SO2 in less than 50 ms with as little as 5.1% median error and better than 95% segmentation accuracy. Overall, these results show that the blood oxygenation can be quantitatively mapped in real-time with high accuracy.

연구 동기 및 목표

• 정확한 혈액 산소포화도(SO2) 추정을 가능하게 하는 정량적 사진음향 영상 촬영을 위한 딥 러닝 프레임워크를 개발하는 것.
• 비균일한 조직에서의 빛 조도 변화로 인해 SO2 측정이 복잡해지는 문제를 해결하는 것.
• 단일 추론 단계에서 배경 조직으로부터 혈관을 분할하고 SO2를 동시에 추정하는 것.
• 임상 적용에 적합한 실시간 성능을 달성하는 것.

제안 방법

• 네트워크는 비균일한 유방 조직 모델 내에서의 빛 전달에 대한 몬테카를로 시뮬레이션으로 생성된 3D 초기 압력 분포로 훈련된다.
• O-Net은 공간 해상도를 유지하기 위해 스킵 연결을 갖춘 유-넷 유사 인코더-디코더 아키텍처를 사용한다.
• 모델은 다중 작업 학습 프레임워크를 통해 동시에 혈관 분할 마스크와 지역적 SO2 값 예측을 수행한다.
• 다중 파장 사진음향 데이터로부터의 공간적 및 스펙트럼적 특징을 활용하여 추정의 강건성을 향상시킨다.
• 분할 및 SO2 회귀 목표를 균형 잡는 복합 손실 함수를 사용하여 엔드 투 엔드로 훈련된다.
• 추론은 매우 효율적이며, 표준 하드웨어에서 50ms 이내로 완료되어 실시간 응용이 가능하다.

실험 결과

연구 질문

• RQ1 사진음향 데이터를 활용해 비균일한 조직에서 혈액 산소포화도(SO2)를 정확하게 추정할 수 있는가?
• RQ2 단일 신경망이 고정밀도 혈관 분할과 SO2 추정을 동시에 수행할 수 있는가?
• RQ3 깊은 조직에서 흔히 발생하는 빛 조도 변화 조건에서 네트워크의 성능은 어떠한가?
• RQ4 시뮬레이션된 사진음향 데이터에 적용했을 때 모델의 추론 속도와 정확도는 어떠한가?
• RQ5 모델은 도메인 전이가 최소한인 실제 사진음향 영상 촬영 시나리오로 일반화 가능한가?

주요 결과

• 모델은 테스트 케이스 전반에서 5.1%의 중앙 SO2 추정 오차를 기록하여 높은 정량적 정확도를 입증하였다.
• 혈관 분할 정확도는 딱도 계수 또는 유사 지표 기준으로 95% 이상을 초과하여 강력한 조직 경계 분리 능력을 보였다.
• 이미지당 추론 시간이 50ms 미만으로, 임상 적용에 적합한 실시간 처리가 가능했다.
• 다양한 몬테카를로 시뮬레이션으로 훈련된 덕분에 복잡한 비균일한 조직 구조로의 일반화 능력이 뛰어났다.
• 다중 작업 학습 설정은 단일 작업 기반 베이스라인 대비 분할 및 SO2 추정 성능을 모두 향상시켰다.