[논문 리뷰] Patch2Self: Denoising Diffusion MRI with Self-Supervised Learning

Shreyas Fadnavis, Joshua Batson외 1명|arXiv (Cornell University)|2020. 11. 02.

Advanced Neuroimaging Techniques and Applications참고 문헌 46인용 수 40

한 줄 요약

Patch2Self는 self-supervised 패치 기반 회귀를 이용해 볼륨 간 확산 MRI 데이터를 잡음 모델 없이 디노이즈하고, 미세구조 모델링과 트랙토그래피를 향상시키며, 실제 데이터와 시뮬레이션 데이터에서 Marchenko-Pastur PCA를 능가합니다.

ABSTRACT

Diffusion-weighted magnetic resonance imaging (DWI) is the only noninvasive method for quantifying microstructure and reconstructing white-matter pathways in the living human brain. Fluctuations from multiple sources create significant additive noise in DWI data which must be suppressed before subsequent microstructure analysis. We introduce a self-supervised learning method for denoising DWI data, Patch2Self, which uses the entire volume to learn a full-rank locally linear denoiser for that volume. By taking advantage of the oversampled q-space of DWI data, Patch2Self can separate structure from noise without requiring an explicit model for either. We demonstrate the effectiveness of Patch2Self via quantitative and qualitative improvements in microstructure modeling, tracking (via fiber bundle coherency) and model estimation relative to other unsupervised methods on real and simulated data.

연구 동기 및 목표

• 다운스트림 미세구조 분석 및 트랙토그래피를 개선하기 위해 확산 가중 MRI(DWI) 데이터의 디노이즈를 촉진한다.
• 명시적 노이즈 모델이 필요하지 않은 자기지도 디노이즈 프레임워크를 개발한다.
• 4D DWI 구조(여러 볼륨)를 활용해 로컬 패치 기반 회귀로 신호와 노이즈를 분리한다.
• Patch2Self 내의 간단한 선형 회귀기가 최신의 비지도 디노이즈 방법보다 우수함을 보여준다.

제안 방법

• 4D DWI 데이터의 각 3D 볼륨에서 각 보셀 주변에 p-이웃 패치를 구성한다.
• m개의 보셀과 n개의 볼륨에 대해 크기가 m × (p^3 × n)인 평탄화된 특성 행렬을 만든다.
• 대상 볼륨 j를 보류하고 Y_{*,*,-j}에서 J-불변 회귀자 Φ_J를 학습시켜 선형 회귀를 통해 Y_{*,0,j}를 예측한다.
• 학습된 Φ_J를 보류된 p-이웃에 적용하여 모든 볼륨에서 정제된 볼륨 X̂_{*,*,*,j}를 얻는다.
• 볼륨 간 노이즈의 독립성을 통해 J-불변성을 정당화하고, 디노이즈가 실제 신호를 보존하도록 한다.
• 회귀자는 선형이든 비선형이든 될 수 있으며; 선형 회귀는 더 빠른 학습으로 유사한 성능을 제공한다.

실험 결과

연구 질문

• RQ1 잡음 모델이 필요하지 않은 자기지도 패치 기반 회귀로 DWI를 디노이즈할 수 있는가?
• RQ2 기존의 비지도 방법과 비교해 Patch2Self가 다운스트림 미세구조 모델링(DTI, CSD) 및 트랙토그래피를 개선하는가?
• RQ3 다양한 획득 방식에서 패치 크기와 회귀자 선택이 디노이즈 성능에 미치는 영향은 무엇인가?
• RQ4 Patch2Self에서 효과적인 디노이즈를 위해 간단한 선형 회귀자만으로 충분한가?

주요 결과

• Patch2Self는 해부학적 인공물을 유발하지 않으면서 시각적으로 일관된 디노이즈 제거 결과를 제공한다.
• 트랙토그래피에서 Patch2Self는 비일관성화된 스트림라인을 감소시키고 Marchenko-Pastur 디노이징에 비해 섬유 다발의 일관성을 향상시킨다.
• Patch2Self는 노이즈 및 MP-PCA 디노이징에 비해 DTI와 CSD 모델 모두의 적합도(R^2)를 개선하며, 위치 CC와 CSO를 포함한 다수의 보셀에서 큰 이점을 보인다.
• DKI의 경우 Patch2Self는 노이즈 및 MP-PCA 디노이징에 비해 매개변수 추정의 열성화(degeneracies)를 줄인다.
• 시뮬레이션 데이터에서 MP-PCA에 비해 낮은~중간 SNR 범위(5–20)에서 더 큰 성능 이득(R^2 증가, RMSE 감소)을 보이며, SNR이 증가함에 따라 Patch2Self의 개선이 커진다.