[논문 리뷰] OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing

Fırat Özdemir, Berkan Lafci외 3명|arXiv (Cornell University)|2022. 06. 17.

Photoacoustic and Ultrasonic Imaging인용 수 4

한 줄 요약

이 논문은 다양한 수거 기하학적 구조와 파arameter를 포함한 실험적 및 합성 광음향(OA) 원시 신호와 재구성된 영상의 표준화된 데이터셋인 OADAT를 소개한다. 이는 데이터 기반 OA 영상 처리의 벤치마킹을 가능하게 한다. 44개의 표준화된 실험, 국소 시야 재구성, 샘플링 부족으로 인한 아티팩트 감소, 해부학적 분할을 위한 트레이닝된 딥 러닝 모델, 그리고 임상 OA 영상 분야의 재현 가능한 연구를 가속화하기 위한 오픈소스 코드를 제공한다.

ABSTRACT

Optoacoustic (OA) imaging is based on excitation of biological tissues with nanosecond-duration laser pulses followed by subsequent detection of ultrasound waves generated via light-absorption-mediated thermoelastic expansion. OA imaging features a powerful combination between rich optical contrast and high resolution in deep tissues. This enabled the exploration of a number of attractive new applications both in clinical and laboratory settings. However, no standardized datasets generated with different types of experimental set-up and associated processing methods are available to facilitate advances in broader applications of OA in clinical settings. This complicates an objective comparison between new and established data processing methods, often leading to qualitative results and arbitrary interpretations of the data. In this paper, we provide both experimental and synthetic OA raw signals and reconstructed image domain datasets rendered with different experimental parameters and tomographic acquisition geometries. We further provide trained neural networks to tackle three important challenges related to OA image processing, namely accurate reconstruction under limited view tomographic conditions, removal of spatial undersampling artifacts and anatomical segmentation for improved image reconstruction. Specifically, we define 44 experiments corresponding to the aforementioned challenges as benchmarks to be used as a reference for the development of more advanced processing methods.

연구 동기 및 목표

• 광음향(OA) 영상 처리를 위한 표준화되고 개방형 데이터셋의 부족으로 인해 새로운 방법과 기존 방법 간의 객관적 비교가 어려운 문제를 해결하기 위해.
• 임상 OA 영상의 핵심 과제인 국소 시야 재구성, 공간적 샘플링 부족으로 인한 아티팩트, 해부학적 분할을 위한 데이터 기반 접근법의 벤치마킹을 가능하게 하기 위해.
• 일관된 메타데이터와 처리 파이프라인을 갖춘 실험적 및 합성 OA 데이터를 제공함으로써 재현 가능한 연구를 지원하기 위해.
• 새로운 처리 알고리즘 평가를 위한 통합된 기준 프레임워크를 제공하여 임상 OA 분야의 혁신을 가속화하기 위해.

제안 방법

• 저자들은 건강한 인간 자원자를 대상으로 다양한 트랜스듀서 어레이, 파장, 수거 기하학적 구조를 사용하여 44개의 실험적 광음향 데이터셋을 수집했다.
• 합성 광음향 데이터는 이질적인 조직 필름에서 빛의 확산 및 음향파 생성의 현실적인 물리 모델을 사용하여 생성되었다.
• 모든 모델은 OADAT 데이터셋에서 엔드 투 엔드로 훈련되어 국소 시야 재구성, 희소 샘플링으로 인한 아티팩트 감소, 향상된 재구성에 기여하는 분할을 위한 세 가지 핵심 과제를 해결하기 위해 modUNet을 포함한 딥 러닝 모델을 사용했다.
• 이 데이터셋은 다양한 실험 조건에서 원시 압력 신호(100×2030×256)와 해당되는 재구성 영상(100×256×256)을 포함한다.
• 모든 모델은 oadat-evaluate 리포지토리에 호스팅된 통합 코드베이스를 사용하여 훈련 및 평가되었으며, 추론, 파라미터 조정, 모델 평가 기능을 지원한다.
• 이 데이터셋은 ETH 취리히의 연구 컬렉션에 호스팅되어 DOI를 부여받아 장기적 유지보장과 CC-BY-NC 라이선스 하에 개방형 액세스를 보장한다.

실험 결과

연구 질문

• RQ1 표준화되고 개방형의 광음향 데이터셋이 임상 OA 영상 분야에서 영상 처리 방법의 재현성과 객관적 벤치마킹을 향상시킬 수 있는가?
• RQ2 딥 러닝 모델은 국소 시야 및 희소 샘플링 데이터로부터 고품질의 광음향 영상을 재구성하는 데 얼마나 효과적인가?
• RQ3 해부학적 분할이 이질적인 조직에서 속도-of-소음 및 광선 fluence 값의 정확한 할당을 가능하게 하여 재구성 정확도와 정량적 특성을 얼마나 향상시킬 수 있는가?
• RQ4 합성 데이터가 실제 실험 조건을 효과적으로 시뮬레이션하여 OA 처리 알고리즘의 훈련 및 검증을 지원할 수 있는가?
• RQ5 물리 모델링과 데이터 기반 학습의 통합이 광음향 영상 재구성의 강건성에 어떻게 기여하는가?

주요 결과

• OADAT는 다양한 수거 파arameter를 갖춘 44개의 표준화된 실험을 제공하여 새로운 영상 처리 알고리즘의 일관된 평가를 가능하게 한다.
• 훈련된 modUNet 모델은 국소 시야 및 희소 샘플링 조건에서 영상 품질을 크게 향상시켜 아티팩트를 감소시키고 해상도를 향상시킨다.
• 딥 러닝을 통한 해부학적 분할은 이질적인 조직에서 음속 및 광선 fluence 값을 정확하게 할당함으로써 재구성 정확도를 향상시킨다.
• 합성 데이터는 신호 특성에서 실험 데이터와 유사하여 훈련 및 일반화에 유용함을 검증한다.
• 오픈소스 코드베이스와 사전 훈련된 모델을 통해 연구자들은 결과 재현, 모델 파라미터 조정, OADAT를 새로운 워크플로우에 통합할 수 있으며 최소한의 설정으로 가능하다.
• 데이터셋은 DOI를 부여받아 장기적 유지보장이 보장되며 10년간 보존됨으로써 연구 공동체의 장기적 접근성을 확보한다.