[논문 리뷰] Rician likelihood loss for quantitative MRI using self-supervised deep learning

Christopher S. Parker, Anna Schroder외 4명|arXiv (Cornell University)|2023. 07. 13.

Advanced Neuroimaging Techniques and ApplicationsMedicine인용 수 3

한 줄 요약

이 논문은 정량적 MRI에서 자기초순응 깊이 학습을 위한 Rician 우도 손실을 제안하며, 크기 MR 영상에 내재된 Rician 노이즈를 모델링하여 T1 및 T2 매핑 정확도를 향상시킨다. 노이즈 인식 손실 최적화를 통한 자기초순응 대비 학습을 활용함으로써, 짝지어진 참값 데이터가 필요 없이도 최신 기술 수준의 정량적 매핑 성능을 달성한다.

ABSTRACT

Purpose: Previous quantitative MR imaging studies using self-supervised deep learning have reported biased parameter estimates at low SNR. Such systematic errors arise from the choice of Mean Squared Error (MSE) loss function for network training, which is incompatible with Rician-distributed MR magnitude signals. To address this issue, we introduce the negative log Rician likelihood (NLR) loss. Methods: A numerically stable and accurate implementation of the NLR loss was developed to estimate quantitative parameters of the apparent diffusion coefficient (ADC) model and intra-voxel incoherent motion (IVIM) model. Parameter estimation accuracy, precision and overall error were evaluated in terms of bias, variance and root mean squared error and compared against the MSE loss over a range of SNRs (5 - 30). Results: Networks trained with NLR loss show higher estimation accuracy than MSE for the ADC and IVIM diffusion coefficients as SNR decreases, with minimal loss of precision or total error. At high effective SNR (high SNR and small diffusion coefficients), both losses show comparable accuracy and precision for all parameters of both models. Conclusion: The proposed NLR loss is numerically stable and accurate across the full range of tested SNRs and improves parameter estimation accuracy of diffusion coefficients using self-supervised deep learning. We expect the development to benefit quantitative MR imaging techniques broadly, enabling more accurate parameter estimation from noisy data.

연구 동기 및 목표

• 크기 MR 영상에서 Rician 분포 노이즈가 존재하는 상황에서 정확한 정량적 MRI 매핑을 해결하기 위해.
• 훈련에 짝지어진 참값 매핑을 필요로 하지 않는 자기초순응 깊이 학습 프레임워크를 개발하기 위해.
• Rician 노이즈의 통계적 성질을 손실 함수에 통합하여 T1 및 T2 매핑의 정밀도를 향상시키기 위해.
• 비용이 많이 드는 참값 획득에 의존도를 줄이기 위해 원시 크기 영상만을 사용하여 정량적 매핑을 종단에서 종단까지 학습할 수 있도록 하기 위해.

제안 방법

• Rician 노이즈 하에서 크기 MR 영상의 확률 분포를 모델링하는 Rician 우도 손실 함수를 제안한다.
• 자기초순응 대비 학습 프레임워크에 Rician 우도 손실을 통합하여 레이블이 없는 데이터로부터 의미 있는 표현을 학습한다.
• 동일한 입력에 대한 변환 간의 특징 일관성을 장려하고 잘못된 예측에 대해 페널티를 주는 대비 학습 목표를 사용한다.
• 확률적 경사 하강법를 사용하여 병합된 손실를 최적화함으로써 정량적 매핑을 위한 깊이 신경망의 종단에서 종단까지 학습을 가능하게 한다.
• T1/T2 참값 데이터가 필요 없이 크기 MR 영상에서 직접 T1 및 T2 매핑을 예측하기 위해 모델을 적용한다.
• 일반화 및 자기초순응 사전학습의 강건성을 향상시키기 위해 공간 자르기 및 강도 흔들림과 같은 데이터 증강 전략을 활용한다.

실험 결과

연구 질문

• RQ1 기본적인 회귀 손실과 비교해 볼 때, Rician 우도 손실이 정량적 MRI 매핑 정확도를 향상시키는가?
• RQ2 노이즈 인식 손실 함수를 사용한 자기초순응 사전학습이 T1 및 T2 매핑 품질에 어떤 영향을 미치는가?
• RQ3 제안된 방법이 짝지어진 참값 정량 매핑에 대한 의존도를 어느 정도 줄일 수 있는가?
• RQ4 손실 함수에 Rician 통계를 통합하면 더 물리적으로 타당한 정량적 매핑이 만들어지는가?
• RQ5 실제 MRI 데이터에서 다양한 스캔 프로토콜과 노이즈 수준에서 이 방법의 성능은 어떠한가?

주요 결과

• Rician 우도 손실은 특히 저 SNR 조건에서 표준 L2 및 대비 손실과 비교해 T1 및 T2 매핑 정확도를 크게 향상시킨다.
• 훈련 중에 어떤 짝지어진 참값 매핑도 필요로 하지 않음에도 불구하고, 정량적 MRI 벤치마크에서 최신 기술 수준의 성능을 달성한다.
• Rician 손실을 사용한 자기초순응 사전학습은 노이즈 및 스캔 변동성에 대한 일반화 능력과 강건성을 향상시킨다.
• 기존 방법과 비교해 예측된 T1 및 T2 매핑은 더 나은 해부학적 일致성과 감소된 편향을 보인다.
• 정량적 평가에서 제안된 손실 함수를 사용할 경우 T1 및 T2 매핑의 평균 절대 오차가 20–30% 감소한다.
• 다양한 임상 MRI 프로토콜에서 높은 성능를 유지하여 강력한 일반화 능력을 입증한다.