[논문 리뷰] Rotation-Equivariant Deep Learning for Diffusion MRI

Philip C. Müller, Vladimir Golkov외 2명|arXiv (Cornell University)|2021. 02. 13.

Advanced Neuroimaging Techniques and Applications참고 문헌 55인용 수 14

한 줄 요약

이 논문은 6D 확산 MRI 데이터를 위한 회전 및 이동에 대해 등변인 딥 러닝 프레임워크를 제안한다. 이는 물리 공간(p-space)과 q-space에서 3D 로토-이동 변환에 대해 동시에 등변성을 확보한다. SO(3) 및 SE(3)의 기저 표현을 통해 등변성 조건을 강제함으로써, 작은 학습 데이터셋에서도 비등변 모델보다 뛰어난 성능을 기록하며 다발성 경화증 병변 분할 작업에서 최신 기술 수준을 달성한다.

ABSTRACT

Convolutional networks are successful, but they have recently been outperformed by new neural networks that are equivariant under rotations and translations. These new networks work better because they do not struggle with learning each possible orientation of each image feature separately. So far, they have been proposed for 2D and 3D data. Here we generalize them to 6D diffusion MRI data, ensuring joint equivariance under 3D roto-translations in image space and the matching 3D rotations in $q$-space, as dictated by the image formation. Such equivariant deep learning is appropriate for diffusion MRI, because microstructural and macrostructural features such as neural fibers can appear at many different orientations, and because even non-rotation-equivariant deep learning has so far been the best method for many diffusion MRI tasks. We validate our equivariant method on multiple-sclerosis lesion segmentation. Our proposed neural networks yield better results and require fewer scans for training compared to non-rotation-equivariant deep learning. They also inherit all the advantages of deep learning over classical diffusion MRI methods. Our implementation is available at https://github.com/philip-mueller/equivariant-deep-dmri and can be used off the shelf without understanding the mathematical background.

연구 동기 및 목표

• 확산 MRI에서 신경 섬유 구조의 다양한 방향성을 다루는 데에 비등변 딥 러닝의 한계를 해결하기 위해.
• 이전에 2D 및 3D 데이터에 적용된 등변 딥 러닝을 3D 물리 공간(p-space)과 3D 확산 인코딩 공간(q-space)을 조합한 6D 확산 MRI 데이터로 확장하기 위해.
• 이미지 형성의 물리 법칙이 요구하는 lin 3D 로토-이동 변환에 대해 p-space에서의 등변성과 q-space에서의 대응 3D 회전에 대해 동시 등변성을 확보하기 위해.
• 이러한 등변성이 모델의 일반화 능력을 향상시키고 과적합을 줄이며, 필요한 학습 스캔 수를 감소시킨다는 것을 입증하기 위해.
• 연구자들이 깊은 수학적 배경 없이도 등변 네트워크를 dMRI에 적용할 수 있도록 공개적이고 사용이 쉬운 구현을 제공하기 위해.

제안 방법

• SO(3) 및 SE(3)의 기저 표현을 사용하여 p-space와 q-space의 동시 변환을 모델링함으로써, 3D 데이터에서의 SE(3)-등변 메시지 전달 프레임워크를 6D dMRI에 적응시켰다.
• 구면 조화함수와 6D p-space 및 q-space 좌표에 대한 군 컨볼루션 연산을 사용하여 등변성을 유지하는 학습 가능한 레이어를 구축했다.
• 공간 해상도를 유지하고 보간 오류를 줄이기 위해, q-길이 가중 평균을 사용하는 후기 q-압축 전략을 도입했다.
• p-space와 q-space 간의 구조적 의존성을 더 효과적으로 포착하기 위해, 저차수 기저보다 높은 성능을 보이는 TP±1(기저 표현과의 텐서 곱) 필터 기반을 사용했다.
• 임상적 dMRI 스캔에서 흔한 비정규적인 q-space 샘플링 설계를 고려한 효율적인 샘플링 인식 연산을 구현했다.
• 벡터 및 텐서 입력/출력을 지원하여, 섬유 방향 추정 또는 확산 텐서 회귀와 같은 응용 가능성을 제공한다.

실험 결과

연구 질문

• RQ1 p-space와 q-space의 동시 변환을 고려한 SE(3)-등변 딥 러닝이 6D 확산 MRI 데이터에 성공적으로 확장될 수 있는가?
• RQ2 p-space와 q-space에서의 동시 로토-이동 등변성을 강제함으로써, 비등변 모델 대비 다발성 경화증 병변 분할 성능이 향상되는가?
• RQ3 등변성은 dMRI에서 일반화를 위해 필요한 학습 스캔 수를 얼마나 줄일 수 있는가?
• RQ4 다양한 필터 기반 선택(예: TP±1 대비 고차수)이 모델 성능과 파rameter 효율성에 어떤 영향을 미치는가?
• RQ5 학습 안정성과 최종 성능 측면에서 후기 q-압축이 점진적 q-압축보다 우월한가?

주요 결과

• 제안된 등변 모델은 동일한 dMRI 데이터셋에서 비회전 등변 딥 러닝 베이스라인보다 뛰어난 병변 분할 성능을 기록했다.
• 등변 모델은 유사하거나 더 높은 성능를 달성하기 위해 훨씬 적은 학습 스캔 수가 필요하여, 데이터 효율성이 향상됨을 시사한다.
• TP±1 필터 기반은 다른 기저보다 성능이 뛰어나며, 더 큰 표현 능력과 p-space/q-space 간의 구조적 의존성 포착 능력 덕분으로 보인다.
• 후기 q-압축 전략이 점진적 q-압축보다 성능이 뛰어나며, 보간 복잡도 감소와 더 나은 학습 안정성 때문일 수 있다.
• 고차수 구면 조화함수 필터는 성능 향상에 기여하지 않아, 이 맥락에서 세밀한 각도 정보는 병변 분할에 덜 중요함을 시사한다.
• 모델의 본질적 등변성은 학습 데이터에서 특정 방향에 과적합되는 것을 방지하여, 검증 세트에서의 새로운 방향으로의 일반화 능력을 향상시킨다.