[논문 리뷰] Simple Methods for Scanner Drift Normalization Validated for Automatic Segmentation of Knee Magnetic Resonance Imaging - with data from the Osteoarthritis Initiative

Erik B. Dam|arXiv (Cornell University)|2017. 12. 22.

Osteoarthritis Treatment and Mechanisms참고 문헌 10인용 수 5

한 줄 요약

이 논문은 퇰니스 MRI에서 스캐너 드프트를 보정하기 위해 두 가지 간단한 사전 처리 방법—Atlas 애핀 정규화와 강도 기반 정규화—를 제안한다. 이는 Osteoarthritis Initiative(ОАI)의 1,975개 스캔 데이터를 사용하여 검증되었으며, 가장 우수한 성능을 보인 Atlas 애핀 정규화는 스캐너 드프트 영향을 크게 감소시켜 자동 분할 결과가 연골 부피 변화 추정에서 전문가 수작업 점수와 일치하도록 했다.

ABSTRACT

Scanner drift is a well-known magnetic resonance imaging (MRI) artifact characterized by gradual signal degradation and scan intensity changes over time. In addition, hardware and software updates may imply abrupt changes in signal. The combined effects are particularly challenging for automatic image analysis methods used in longitudinal studies. The implication is increased measurement variation and a risk of bias in the estimations (e.g. in the volume change for a structure). We proposed two quite different approaches for scanner drift normalization and demonstrated the performance for segmentation of knee MRI using the fully automatic KneeIQ framework. The validation included a total of 1975 scans from both high-field and low-field MRI. The results demonstrated that the pre-processing method denoted Atlas Affine Normalization significantly removed scanner drift effects and ensured that the cartilage volume change quantifications became consistent with manual expert scores.

연구 동기 및 목표

• 종단적 MRI 연구에서 발생하는 스캐너 드프트의 도전 과제를 해결하여 정량적 영상 분석에 영향을 주는 편향과 변동성을 줄이기 위해.
• 다양한 스캐너와 시간대에서 퇸니스 MRI의 자동 분할 일관성과 정확도를 향상시키기 위해.
• 고해상도 및 저해상도 MRI 스캐너를 모두 포함한 다양한 데이터셋인 Osteoarthritis Initiative(OAI)에서의 대규모 데이터를 사용하여 정규화 방법을 검증하기 위해.
• 자동으로 측정한 연골 부피 변화 측정치가 전문가의 수작업 주석과 일치하도록 하여 측정 편향을 줄이기 위해.

제안 방법

• 강도 및 공간적 드프트를 보정하기 위해 애핀 변환을 사용해 각 스캔을 인구 기반 아틀라스에 정렬하는 Atlas 애핀 정규화를 제안한다.
• 시간대에 걸쳐 신호 드프트를 보정하기 위해 기준 스캔과 히스토그램 매칭을 사용하는 강도 기반 정규화를 적용한다.
• 전체 자동 KneeIQ 분할 프레임워크에 입력하기 전에 정규화 방법을 사전 처리 단계로 통합한다.
• Osteoarthritis Initiative(OAI)에서 확보한 다중 대비, 다중 스캐너 데이터셋(1,975개 스캔)을 사용하여 정규화 방법의 훈련 및 검증을 수행한다.
• 자동 분할 결과를 전문가의 수작업 분할 결과와 비교하여 연골 부피 변화 측정 성능을 평가한다.
• 시간대와 스캐너 간의 유사성 및 일반화 능력을 평가하기 위해 시간대와 스캐너 기반의 떼어내기 교차검증 전략을 사용한다.

실험 결과

연구 질문

• RQ1 다양한 스캐너와 시간대에서 단순한 사전 처리 방법이 퇸니스 MRI에서 스캐너 드프트 영향을 효과적으로 줄일 수 있는가?
• RQ2 Atlas 애핀 정규화와 강도 기반 정규화는 연골 부피 변화 정량화의 분할 일관성 향상에 어떻게 비교되는가?
• RQ3 스캐너 드프트 정규화가 자동 분할 결과와 전문가 수작업 점수 간의 일치도를 어느 정도 향상시키는가?
• RQ4 제안된 방법은 종단적 환경에서 고해상도 및 저해상도 MRI 스캐너 모두에서 성능을 유지하는가?
• RQ5 복잡한 校정이 필요 없이도 정규화가 종단적 연골 부피 변화 측정의 변동성을 줄일 수 있는가?

주요 결과

• Atlas 애핀 정규화는 스캐너 드프트 영향을 크게 감소시켜 시간대 간 연골 부피 변화 추정이 더욱 일관되게 유지되도록 했다.
• 이 방법은 자동 분할 결과와 전문가 수작업 점수 사이에 강한 상관관계를 보였으며, 종단적 측정에서 편향을 최소화했다.
• 정규화 방법은 고해상도 및 저해상도 MRI 스캐너 모두에서 분할 정확도를 향상시켜 다양한 스캐너 유형에서의 강건성을 입증했다.
• 1,975개 스캔에 대한 검증 결과, Atlas 애핀 정규화를 통한 사전 처리가 스캐너 드프트로 인한 측정 변동성을 감소시켰다.
• 간단하고 계산 효율적인 방법이 임상 MRI에서 스캐너 드프트를 보정하는 데 더 복잡한 대안들보다 뛰어난 성능을 보였다는 것이 입증되었다.
• 이 연구는 스캐너 드프트가 종단적 MRI 연구에서 주요 혼란 요인임을 확인하였으며, 신뢰할 수 있는 자동 분석을 위해서는 보정이 필수적임을 입증했다.