[논문 리뷰] On Real-time Image Reconstruction with Neural Networks for MRI-guided Radiotherapy

David E. J. Waddington, Nicholas Hindley외 9명|arXiv (Cornell University)|2022. 02. 10.

Advanced Radiotherapy Techniques인용 수 5

한 줄 요약

이 논문은 자동 맵(AUTOMAP) 신경망 프레임워크를 사용하여 MRI 가이드 레이저 치료를 위한 실시간 정확한 과표본 추출 레디얼 MRI 데이터 재구성 방법을 제안한다. 폐암 환자 데이터로 훈련하고 유튜브 영상에서 추출한 운동 인코딩 k-스페이스 데이터로 보완함으로써, AUTOMAP는 압축 감쇠 기반 기법보다 훨씬 빠른 재구성 속도를 달성하면서도 높은 정확도 유지를 유지하며, 동적 허브에서 종양 추적 성능을 향상시킨다.

ABSTRACT

MRI-guidance techniques that dynamically adapt radiation beams to follow tumor motion in real-time will lead to more accurate cancer treatments and reduced collateral healthy tissue damage. The gold-standard for reconstruction of undersampled MR data is compressed sensing (CS) which is computationally slow and limits the rate that images can be available for real-time adaptation. Here, we demonstrate the use of automated transform by manifold approximation (AUTOMAP), a generalized framework that maps raw MR signal to the target image domain, to rapidly reconstruct images from undersampled radial k-space data. The AUTOMAP neural network was trained to reconstruct images from a golden-angle radial acquisition, a benchmark for motion-sensitive imaging, on lung cancer patient data and generic images from ImageNet. Model training was subsequently augmented with motion-encoded k-space data derived from videos in the YouTube-8M dataset to encourage motion robust reconstruction. We find that AUTOMAP-reconstructed radial k-space has equivalent accuracy to CS but with much shorter processing times after initial fine-tuning on retrospectively acquired lung cancer patient data. Validation of motion-trained models with a virtual dynamic lung tumor phantom showed that the generalized motion properties learned from YouTube lead to improved target tracking accuracy. Our work shows that AUTOMAP can achieve real-time, accurate reconstruction of radial data. These findings imply that neural-network-based reconstruction is potentially superior to existing approaches for real-time image guidance applications.

연구 동기 및 목표

• 압축 감쇠 기반 기법의 계산적 제약를 극복하는 MRI 가이드 레이저 치료를 위한 실시간 영상 재구성 방법을 개발한다.
• 골든 앵글 경로를 사용해 획득한 과표본 추출 레디얼 k-스페이스 데이터에 대해 정확하고 빠른 재구성 방법을 제공한다.
• 유튜브 영상에서 추출한 일반적인 운동 패턴을 기반으로 신경망을 훈련시켜 영상 재구성의 운동 내성 성능을 향상시킨다.
• 가상의 동적 폐 종양 허브와 후행적 환자 데이터를 사용하여 제안된 방법의 성능을 검증한다.
• 데이터 기반 딥 러닝 기법이 MRI 라인액 시스템에서 실시간 영상 가이드라인에 적용 가능한지를 입증한다.

제안 방법

• 원시 k-스페이스 신호에서 영상 공간으로의 매핑을 학습하는 일반화된 신경망인 AUTOMAP 프레임워크를 활용하였다.
• 폐암 환자로부터 후행적으로 확보한 레디얼 k-스페이스 데이터와 ImageNet 이미지를 기반으로 AUTOMAP 모델을 훈련시켰다.
• 운동 내성 성능 향상을 위해 YouTube-8M 데이터셋의 영상에서 합성한 운동 인코딩 k-스페이스 데이터로 훈련을 보완하였다.
• 고속 시간 해상도 및 운동에 민감하지 않은 재구성을 가능하게 하기 위해 골든 앵글 레디얼 샘플링을 적용하였다.
• 압축 감쇠 기법에서 사용하는 반복 최적화를 회피하고 단일 전방 추론을 통해 실시간 재구성을 구현하였다.
• 재구성 정확도 평가를 위해 정규화된 제곱근 평균 제곱오차(NRMSE)와 동적 허브에서의 종양 추적 정확도를 사용하였다.

실험 결과

연구 질문

• RQ1 AUTOMAP와 같은 딥 러닝 기반 재구성 프레임워크가 MRI 가이드 레이저 치료를 위한 실시간 영상 재구성에 성공할 수 있는가?
• RQ2 과표본 추출 레디얼 데이터에서 AUTOMAP의 재구성 속도와 정확도가 압축 감쇠 기법과 비교해 어떻게 성능을 내는가?
• RQ3 유튜브 영상에서 추출한 일반적인 운동 패턴이 동적 영상에서 신경망 재구성의 운동 내성 성능을 향상시킬 수 있는가?
• RQ4 운동 보정 훈련이 가상의 동적 폐 종양 허브에서 종양 추적 정확도를 향상시키는가?
• RQ5 AUTOMAP는 고화질 영상과 낮은 지연 시간을 유지하면서 실제 환자 데이터로 일반화 가능한가?

주요 결과

• AUTOMAP는 후행적으로 확보한 폐암 환자 데이터에서 압축 감쇠 기법보다 훨씬 빠른 재구성 시간을 달성하면서도 동일한 영상 품질을 유지하였다.
• 환자 데이터만으로 훈련된 모델도 압축 감쇠 기법과 유사한 NRMSE를 기록하여 높은 재구성 정확도를 입증하였다.
• 운동 보정 훈련을 거친 AUTOMAP 모델는 비운동 훈련 모델에 비해 가상의 동적 폐 종양 허브에서 더 낮은 NRMSE와 높은 종양 추적 정확도를 보였다.
• 유튜브에서 유래한 운동 데이터의 통합은 네트워크가 일반화된 운동 특성을 학습하고 비강성 운동에 대한 내성을 향상시켰다.
• AUTOMAP는 흰색 잡음에 뛰어난 저항성을 보였으며, 이는 MRI에서 발생하는 열 잡음 제약을 효과적으로 처리할 수 있음을 반영한다.
• 결과적으로 데이터 기반 재구성 기법으로서 AUTOMAP는 MRI 라인액 시스템에서 실시간 영상 가이드라인에 압축 감쇠 기법보다 열등한 대안이 아님을 시사한다.