[논문 리뷰] Region of Interest focused MRI to Synthetic CT Translation using Regression and Classification Multi-task Network

Sandeep Kaushik, Mikael Bylund외 13명|arXiv (Cornell University)|2022. 03. 30.

Medical Imaging Techniques and Applications인용 수 5

한 줄 요약

이 논문은 복합 손실 함수를 사용하여 영역의 관심(ROI) 정렬과 뼈 Hounsfield 단위(HU) 회귀를 동시에 수행함으로써 영초기자기공명영상(ZTE-MRI)에서 합성 CT(sCT) 생성을 향상시키는 다중 작업 딥러닝 프레임워크를 제안한다. 이 방법은 방사선 치료에 매우 중요한 뼈 밀도 정확도를 향상시키면서도 최소한의 계산 비용으로 전반적인 영상 품질을 유지한다.

ABSTRACT

In this work, we present a method for synthetic CT (sCT) generation from zero-echo-time (ZTE) MRI aimed at structural and quantitative accuracies of the image, with a particular focus on the accurate bone density value prediction. We propose a loss function that favors a spatially sparse region in the image. We harness the ability of a multi-task network to produce correlated outputs as a framework to enable localisation of region of interest (RoI) via classification, emphasize regression of values within RoI and still retain the overall accuracy via global regression. The network is optimized by a composite loss function that combines a dedicated loss from each task. We demonstrate how the multi-task network with RoI focused loss offers an advantage over other configurations of the network to achieve higher accuracy of performance. This is relevant to sCT where failure to accurately estimate high Hounsfield Unit values of bone could lead to impaired accuracy in clinical applications. We compare the dose calculation maps from the proposed sCT and the real CT in a radiation therapy treatment planning setup.

연구 동기 및 목표

• 합성 CT(sCT) 생성에서 뼈 HU 값 추정의 정확도가 떨어지는 문제를 해결함으로써 방사선 치료 선량 계산 정확도를 향상시키는 데 초점을 맞춘다.
• 특히 저체적량, 고HU 뼈 영역(예: 두개골)에서의 sCT의 구조적 및 정량적 정확도를 향상시키며, 기존의 영상 변환 기법에서 자주 간과되는 영역을 보완한다.
• 전반적인 영상 품질을 해치지 않으면서도 희박한 고영향도 영역(예: 수직 뼈)을 동적으로 강조하는 학습 프레임워크를 개발한다.
• 공개된 MRI-CT 쌍 이미지 기반으로 신뢰성 있고 계산 효율성이 높은 감독형 sCT 생성 파이프라인을 구현한다.

제안 방법

• 중간 계층에서의 다운샘플링을 방지하고 공간 해상도를 유지하기 위해 아트로우스 컨volution을 사용한 U-Net 유사 인코더-디코더 아키텍처를 사용한다.
• 두 가지 주요 헤드를 갖춘 다중 작업 네트워크를 설계한다: (1) 관심 영역(RoI)을 정의하기 위한 분류 헤드(특히 뼈 영역), (2) RoI 내 HU 값을 예측하기 위한 회귀 헤드.
• 희박한 고HU 영역(예: 250 HU 이상)에서 정확한 예측을 우선시하는 새로운 공간적으로 희박한 손실 함수를 도입한다. 이는 연조직보다 뼈 픽셀을 더 강조한다.
• 다음 세 가지 손실 성분을 조합한 복합 손실을 최적화하여 네트워크를 학습한다: (a) 전반적인 sCT 정확도를 위한 글로벌 회귀 손실, (b) 뼈 HU 정밀도를 위한 RoI 중심의 회귀 손실, (c) RoI 정렬을 위한 분류 손실.
• 다중 작업 최적화의 균형을 위해 경험적 작업 가중치를 사용하며, 향후 방향으로 동적 가중치 조정을 고려한다.
• ZTE-MRI와 CT 이미지 쌍을 공registered하여 학습시키며, MRI의 뛰어난 연조직 대비와 ZTE 시퀀스의 고대비 뼈 영상 특성을 활용한다.

실험 결과

연구 질문

• RQ1 기존의 글로벌 회귀 손실과 비교해 복합 작업 학습 프레임워크가 저체적량, 고HU 뼈 영역에서의 합성 CT 생성 정확도를 향상시킬 수 있는가?
• RQ2 전용 관심 영역(RoI) 분류 헤드를 통합함으로써 sCT에서 뼈 구조물의 정렬 및 회귀 정확도가 향상되는가?
• RQ3 고HU 영역을 강조하는 공간적으로 희박한 손실 함수가 방사선 치료 계획에서 sCT의 전반적인 성능 및 임상적 관련성에 어떤 영향을 미치는가?
• RQ4 제안된 방법이 정량적 HU 정확도 및 선량 계산 정밀도 측면에서 기존의 U-Net 및 GAN 기반 sCT 생성 방법보다 얼마나 뛰어나게 성능을 발휘하는가?

주요 결과

• 제안된 RoI 중심의 손실은 단일 작업 설정에서도 글로벌 회귀 손실에 비해 뼈 HU 추정 정확도를 크게 향상시킨다.
• RoI 정렬을 위한 분류 헤드를 추가함으로써 뼈 영역의 정확도가 더욱 향상되며, 정렬과 회귀를 동시에 학습하는 것이 성능 향상에 기여함을 입증한다.
• 복합 손실을 사용한 다중 작업 프레임워크는 기준 모델 대비 뼈 영역에서 더 낮은 HU 평균 절대 오차(MAE)를 달성했으며, 특히 900 HU 피크 영역에서 개선된 성능을 보였다.
• 후행적 방사선 치료 계획 비교에서 제안된 sCT 기반 선량 계산 지도는 실제 CT와 강한 일치를 보였으며, 임상적 타당성을 뒷받침한다.
• 낮은 계산 요구량으로도 높은 영상 품질과 전반적 정확도를 유지하면서도 핵심 뼈 영역에서 뛰어난 성능을 발휘한다.
• 이 프레임워크는 U-Net 외의 다른 네트워크 아키텍처로도 유연하게 적용 가능하므로, 더 넓은 임상적 적용이 가능하다.