[논문 리뷰] Review: Noise and artifact reduction for MRI using deep learning

Daiki Tamada|arXiv (Cornell University)|2020. 02. 28.

Medical Imaging Techniques and Applications참고 문헌 40인용 수 11

한 줄 요약

이 논문은 자기공명영상(MRI)에서 잡음과 아티팩트를 줄이기 위한 딥러닝(DL) 기반 방법을 검토하며, 합성곱 신경망(CNN), 오토에인코드어, 생성적 적대적 네트워크(GAN), U-Net 아키텍처에 초점을 맞춘다. 딥러닝 기법이 전통적인 방법에 비해 이미지 품질을 향상시키고 계산 시간을 단축시키면서도 앨리어싱, 스트리핑, 지브스, 금속, 밴딩 아티팩트를 효과적으로 억제함을 보여준다.

ABSTRACT

For several years, numerous attempts have been made to reduce noise and artifacts in MRI. Although there have been many successful methods to address these problems, practical implementation for clinical images is still challenging because of its complicated mechanism. Recently, deep learning received considerable attention, emerging as a machine learning approach in delivering robust MR image processing. The purpose here is therefore to explore further and review noise and artifact reduction using deep learning for MRI.

연구 동기 및 목표

• 최근 자기공명영상 스캔에서의 잡음과 아티팩트를 줄이기 위한 딥러닝 기법을 검토하기 위해.
• CNN, U-Net, 오토에인코드어, GAN 등 다양한 딥러닝 아키텍처의 성능을 분석하여 이미지 품질 향상 여부를 평가하기 위해.
• 특히 지표가 없는 경우가 많기 때문에, 아티팩트 감소를 위한 훈련 데이터 확보의 과제를 평가하기 위해.
• 기존의 이미지 품질 측정 지표의 한계를 평가하고, NIQE 및 BRISQUE와 같은 기준 없는 대안을 탐색하기 위해.
• 딥러닝 기반 MRI 재구성 방법의 임상 적용 가능성과 향후 전망을 논의하기 위해.

제안 방법

• 단일 스케일 CNN(SCNN)과 잔차 학습을 활용하여 노이즈와 청소화된 이미지 간 잔차를 학습함으로써 노이즈를 모델링하고 제거한다.
• 스킵 연결을 갖춘 U-Net 아키텍처를 사용하여 공간적 세부 정보를 유지하고, 앨리어싱 및 스트리핑과 같은 전반적인 아티팩트를 처리한다.
• 오토에인코드어를 적용하여 이미지 특징을 압축하고 재구성함으로써 노이즈가 있는 입력에서 잠재 다양체를 학습한다.
• 적대적 훈련 중 실제 출력과 생성된 출력을 구별함으로써 현실적이며 고해상도의 이미지를 생성하기 위해 GAN을 활용한다.
• 비정상적인 k-space 데이터에 대해 모델 기반 딥러닝과 전개된 최적화를 통합함으로써 학습 가능한 파rameter 수와 계산 시간을 줄인다.
• 특히 아티팩트 감소의 경우 지표가 없을 수 있으므로, 기준 없는 이미지 품질 측정 지표인 NIQE 및 BRISQUE를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 다양한 딥러닝 아키텍처는 MRI에서의 잡음과 아티팩트 감소 능력에서 어떻게 상호 비교되는가?
• RQ2 지표가 없을 경우 아티팩트 감소를 위한 현실적인 훈련 데이터를 생성하는 데 있어 핵심 과제는 무엇인가?
• RQ3 딥러닝 기법은 압축 센싱과 k-space 필터링과 같은 전통적 기법보다 아티팩트 억제에서 더 뛰어난 성능을 보일 수 있는가?
• RQ4 기준 없는 이미지 품질 측정 지표는 지표가 없을 경우 딥러닝 기반 MRI 재구성 평가에 얼마나 효과적인가?
• RQ5 필터링 후에 딥러닝 기반 방법이 해부학적 질감과 미세 구조를 얼마나 잘 유지하는가?

주요 결과

• 특히 U-Net과 DnCNN을 포함한 딥러닝 기반 방법은, 기존의 압축 센싱(CS) 재구성에 비해 불완전한 MRI 데이터에서 앨리어싱과 스트리핑 아티팩트를 크게 감소시킨다.
• DnCNN와 같은 네트워크에서 잔차 학습을 활용하면 수렴 속도가 빨라지고 일반화 성능이 향상되어 특히 잡음 감소에 유리하다.
• CNN 기반의 지브스 아티팩트 감소 기법은 끼어들기 아티팩트를 효과적으로 제거하지만, 기존의 k-space 필터링과 달리 흐림 현상이 발생하지 않아 유리하다.
• 이중 읽기 방식을 적용한 U-Net과 금속 아티팩트 보정 기법을 결합하여 금속 임플란트로 인한 왜곡과 흐림을 성공적으로 감소시켰다.
• 지표가 없는 측정 지표인 NIQE와 BRISQUE는 지표가 없을 경우 신뢰할 수 있는 이미지 품질 평가를 제공하여 임상 평가를 지원한다.
• 강력한 성능에도 불구하고, 잘못된 훈련 또는 잘못된 노이즈/아티팩트 모델링은 이미지 질감과 미세 구조를 변화시킬 수 있으므로, 네트워크 설계에 신중한 고려가 필요하다.