[논문 리뷰] QSMGAN: Improved Quantitative Susceptibility Mapping using 3D Generative Adversarial Networks with Increased Receptive Field

Yicheng Chen, Angela Jakary외 3명|arXiv (Cornell University)|2019. 05. 08.

Advanced MRI Techniques and Applications참고 문헌 43인용 수 9

한 줄 요약

QSMGAN은 중심자르기 및 큰 입력 패치를 통해 확장된 수용장역을 갖춘 3D U-Net 기반 생성 적대 신경망을 제안하여 단일 방향 위상 데이터로부터 정량적 순환도 매핑(QSM)의 정확도를 향상시킨다. WGAN-GP 훈련을 활용하여 전통적인 델타 인version 방법들인 TKD, MEDI, iLSQR보다 더 빠른 추론과 더 나은 병변 및 전처리 잡음에 대한 저항성을 확보하면서 COSMOS 수준의 정확도를 달성한다.

ABSTRACT

Quantitative susceptibility mapping (QSM) is a powerful MRI technique that has shown great potential in quantifying tissue susceptibility in numerous neurological disorders. However, the intrinsic ill-posed dipole inversion problem greatly affects the accuracy of the susceptibility map. We propose QSMGAN: a 3D deep convolutional neural network approach based on a 3D U-Net architecture with increased receptive field of the input phase compared to the output and further refined the network using the WGAN with gradient penalty training strategy. Our method generates accurate QSM maps from single orientation phase maps efficiently and performs significantly better than traditional non-learning-based dipole inversion algorithms. The generalization capability was verified by applying the algorithm to an unseen pathology--brain tumor patients with radiation-induced cerebral microbleeds.

연구 동기 및 목표

• QSM에서의 불량한 델타 인버전 문제를 해결하여 임상 및 연구 적용에서 정확도와 재현성을 향상시키기 위해.
• 다중 머리 방향이 필요 없이 단일 방향 위상 데이터로부터 고해상도 QSM 지ap을 생성하는 딥 러닝 기반 방법을 개발하기 위해.
• 방사선 유도성 뇌 미세출혈과 같은 새로운 병변에 대해 일반화 능력과 저항성을 향상시키면서도 계산 효율성을 유지하기 위해.
• QSM에 대한 패치 기반 딥 러닝 접근법에서 흔히 발생하는 스트레일링 아티팩트와 에지 불연속성을 줄이기 위해.
• WGAN-GP를 활용한 적대적 훈련을 통해 훈련 안정성과 이미지 현실감 및 정량적 정확도를 향상시키기 위해.

제안 방법

• 생성자로 3D U-Net 아키텍처를 사용하며, 입력 위상 패치 크기 64³과 출력 패치 크기 48³를 통해 중심자르기 방식으로 더 큰 효과적 수용장역을 확보한다.
• 훈련 안정성 향상과 더 현실적인 순환도 지도 생성을 위해 기울기 보정이 있는 WGAN(WGAN-GP)을 사용한다.
• 판별자(비평가)는 실제 COSMOS에서 유도된 QSM 패치와 생성된 패치를 구분하도록 훈련되어 생성자가 고해상도 출력을 생성하도록 이끈다.
• 배경 필드 제거된 단일 방향 위상 데이터를 처리하고, 겹치는 패치를 사용한 패치 기반 추론을 통해 전체 3D 순환도 지도를 복원한다.
• 훈련 데이터는 건강한 자원자 스캔만 포함되어 있지만, 뇌 미세출혈이 있는 환자 데이터를 포함한 새로운 환자 데이터에 일반화된다.
• 훈련 후 계산 효율성이 유지되며, 추론에는 디세너리 없이 단일 3D U-Net 전방향 프로세스만 필요하다.

실험 결과

연구 질문

• RQ1 확장된 수용장역을 가진 3D 딥 러닝 모델이 단일 방향 위상 데이터로부터 QSM 재구성 정확도를 향상시킬 수 있는가?
• RQ2 WGAN-GP 프레임워크를 통합함으로써 표준 GAN이나 비적대적 네트워크에 비해 QSM 지도의 훈련 안정성과 현실감이 향상되는가?
• RQ3 건강한 뇌 데이터로만 훈련된 모델이 뇌 미세출혈과 같은 병리적 순환도 원천을 가진 환자에게 일반화될 수 있는가?
• RQ4 입력 및 출력 패치 크기의 선택이 QSM 재구성 품질과 계산 비용에 어떤 영향을 미치는가?
• RQ5 패치 기반 딥 러닝을 위한 QSM에서 흔히 발생하는 에지 불연속성과 스트레일링 아티팩트는 모델이 어느 정도 감소시키는가?

주요 결과

• QSMGAN은 TKD, MEDI, iLSQR와 같은 전통적 방법들보다 정량적 순환도 측정 오차가 유의미하게 낮고, 이미지 품질은 향상되고 아티팩트는 감소하였다.
• 이전에 볼 수 없었던 병변—방사선 유도성 뇌 미세출혈—을 성공적으로 복원하였으며, 골드스탠다드인 iLSQR 결과와 일치하는 순환도 값을 생성하였다.
• 64³ → 48³ 패치 구성이 수용장역과 계산 비용 사이의 최적의 균형을 제공하였으며, 더 작은(32³ → 32³) 및 더 큰(96³ → 32³) 구성보다 우수한 성능을 보였다.
• 건강한 데이터로만 훈련되었음에도 불구하고 QSMGAN은 전처리 오류에 저항력이 있었고, 배경 위상 성분과 비정상적인 순환도 원천을 억제하였다.
• WGAN-GP 훈련 전략은 적대적 과정을 안정화시켰으며, 비적대적 기반 모델 대비 더 현실적이고 정확한 QSM 지도를 생성하였다.
• 훈련 후 추론은 매우 효율적이었으며, 단일 3D U-Net 전방향 프로세스만으로도 추가 추론 비용 없이 빠른 재구성 가능성을 확보하였다.