[논문 리뷰] SDnDTI: Self-supervised deep learning-based denoising for diffusion tensor MRI

Qiyuan Tian, Ziyu Li외 5명|arXiv (Cornell University)|2021. 11. 13.

Advanced Neuroimaging Techniques and Applications인용 수 4

한 줄 요약

SDnDTI는 추가적인 고SNR 학습 데이터가 필요 없이 소음이 있는 확산 텐서 영상(DTI)을 정제하기 위한 자기지도 학습 기반 딥 러닝 방법을 제안한다. 이 방법은 확산 가중 영상(DWIs)의 부분집합을 이용해 텐서 피팅을 통해 저SNR 입력과 고SNR 타겟을 합성하고, 이를 기반으로 3D 컨volution 신경망(CNN)을 학습시켜, 감독 학습 방법과 유사한 이미지 품질과 SNR 향상을 달성한다.

ABSTRACT

The noise in diffusion-weighted images (DWIs) decreases the accuracy and precision of diffusion tensor magnetic resonance imaging (DTI) derived microstructural parameters and leads to prolonged acquisition time for achieving improved signal-to-noise ratio (SNR). Deep learning-based image denoising using convolutional neural networks (CNNs) has superior performance but often requires additional high-SNR data for supervising the training of CNNs, which reduces the practical feasibility. We develop a self-supervised deep learning-based method entitled "SDnDTI" for denoising DTI data, which does not require additional high-SNR data for training. Specifically, SDnDTI divides multi-directional DTI data into many subsets, each consisting of six DWI volumes along optimally chosen diffusion-encoding directions that are robust to noise for the tensor fitting, and then synthesizes DWI volumes along all acquired directions from the diffusion tensors fitted using each subset of the data as the input data of CNNs. On the other hand, SDnDTI synthesizes DWI volumes along acquired diffusion-encoding directions with higher SNR from the diffusion tensors fitted using all acquired data as the training target. SDnDTI removes noise from each subset of synthesized DWI volumes using a deep 3-dimensional CNN to match the quality of the cleaner target DWI volumes and achieves even higher SNR by averaging all subsets of denoised data. The denoising efficacy of SDnDTI is demonstrated on two datasets provided by the Human Connectome Project (HCP) and the Lifespan HCP in Aging. The SDnDTI results preserve image sharpness and textural details and substantially improve upon those from the raw data. The results of SDnDTI are comparable to those from supervised learning-based denoising and outperform those from state-of-the-art conventional denoising algorithms including BM4D, AONLM and MPPCA.

연구 동기 및 목표

• 소음으로 인해 미세구조 매개변수 정확도가 떨어지고 스캔 시간이 증가하는 확산 가중 영상(DWIs)의 소음 문제를 해결한다.
• 일반적으로 확보하기 어려우거나 실용적이지 않은 고SNR 감독 데이터가 필요한 기존 딥 러닝 정제 방법의 한계를 극복한다.
• 입력으로 사용되는 동일한 데이터에서 고가공성 고SNR 타겟을 합성함으로써 외부 고SNR 스캔이 필요 없도록 자기지도 학습 프레임워크를 개발한다.
• 신호 대 잡음비(SNR)를 크게 향상시키면서도 이미지 선명도와 텍스처 세부 정보를 유지한다.
• 감독 학습 방법과 유사한 정제 성능을 달성하고, 기존의 BM4D, AONLM, MPPCA와 같은 전통적 알고리즘보다 뛰어난 성능을 보인다.

제안 방법

• 다중 방향성 DTI 데이터를 여러 부분집합으로 나누며, 각 부분집합은 소음에 강건한 최적의 확산 인코딩 방향을 선택한 6개의 DWI 볼륨을 포함한다.
• 각 부분집합에 대해 텐서 피팅을 수행하여 모든 확산 인코딩 방향의 DWI 볼륨을 합성하고, 이를 CNN의 저SNR 입력으로 사용한다.
• 전체 데이터에 대한 텐서 피팅을 통해 고SNR 타겟 DWI 볼륨을 생성하여 감독 학습을 가능하게 하며, 외부 데이터 없이 자기지도 학습을 수행한다.
• 3D 컨volution 신경망(CNN)을 활용해 고SNR 타겟과의 재구성 오차를 최소화함으로써 합성된 저SNR 볼륨을 정제하는 것을 학습한다.
• 학습된 CNN을 각 부분집합에 대해 독립적으로 적용하고, 결과를 평균하여 SNR를 추가로 향상시킨다.
• 다중 방향성 DTI 데이터가 내재한 중복성을 활용해, 동일한 스캔 데이터에서 감독 신호를 유도하는 자기지도 학습 프레임워크를 구축한다.

실험 결과

연구 질문

• RQ1 외부 고SNR 학습 데이터가 필요 없이 자기지도 학습 기반 딥 러닝 프레임워크가 실제로 DTI 데이터의 정제에 효과적인가?
• RQ2 SDnDTI의 성능은 감독 학습 기반 딥 러닝 및 기존의 BM4D, AONLM, MPPCA와 같은 전통적 정제 방법과 비교해 SNR 및 이미지 품질 측면에서 어떻게 다른가?
• RQ3 SDnDTI는 원본 DTI 데이터에 비해 이미지 선명도와 텍스처 세부 정보를 얼마나 잘 유지하는가?
• RQ4 SDnDTI는 다양한 확산 인코딩 방향과 데이터셋 간의 소음 변동성에 대해 얼마나 강건한가?
• RQ5 텐서 피팅과 데이터 부분집합 합성 기반 자기지도 학습 전략이 감독 학습 방법과 유사한 성능을 달성할 수 있는가?

주요 결과

• SDnDTI는 외부 고SNR 데이터가 전혀 필요 없음에도 불구하고 감독 학습 기반 방법과 유사한 정제 성능을 달성한다.
• Human Connectome Project(HCP) 및 Lifespan HCP in Aging 데이터셋에서 SDnDTI는 세밀한 이미지 세부 정보와 선명도를 유지하면서도 SNR를 크게 향상시킨다.
• 정량적 SNR 지표와 주관적 이미지 품질 측면에서, BM4D, AONLM, MPPCA와 같은 최신 기술 기반 전통적 정제 알고리즘보다 SDnDTI가 뛰어난 성능을 보였다.
• 모든 확산 인코딩 방향에서 소음을 효과적으로 감소시키며, 유도된 확산 텐서 매개변수에서도 일관된 향상이 관찰되었다.
• 여러 데이터 부분집합의 정제된 출력을 평균함으로써 SNR를 추가로 향상시켜, 자기지도 학습 프레임워크의 강건성을 입증하였다.
• 데이터 부분집합에서의 텐서 피팅 기반 자기지도 학습 전략은 다양한 데이터셋과 스캔 프로토콜에 걸쳐 안정적이고 고품질의 정제 결과를 생성한다.