[논문 리뷰] Synthetic Perfusion Maps: Imaging Perfusion Deficits in DSC-MRI with Deep Learning

Andreas Hess, Raphael Meier외 6명|arXiv (Cornell University)|2018. 06. 11.

Advanced MRI Techniques and Applications참고 문헌 3인용 수 4

한 줄 요약

이 논문은 원시 퍼플루션 데이터로만 훈련된 엔드 투 엔드 컨볼루션 신경망을 사용하여 동적 혈관성 대비 강화 영상(DSC-MRI)에서 합성 퍼플루언스 지apap을 생성하는 딥러닝 기반의 모델 프리 메서드를 제안한다. 이 방법은 표준 퍼플루언스 지도와 유사한 임상적 성능을 달성하며, 노이즈가 감소하고 추론 속도가 빠르며, 동맥 입력 기능(AIF) 추정이 필요 없이 다양한 대비 도착 시간을 처리할 수 있도록 볼루스 특성화 모듈을 통합한다.

ABSTRACT

In this work, we present a novel convolutional neural net- work based method for perfusion map generation in dynamic suscepti- bility contrast-enhanced perfusion imaging. The proposed architecture is trained end-to-end and solely relies on raw perfusion data for inference. We used a dataset of 151 acute ischemic stroke cases for evaluation. Our method generates perfusion maps that are comparable to the target maps used for clinical routine, while being model-free, fast, and less noisy.

연구 동기 및 목표

• 원시 DSC-MRI 데이터에서 직접 퍼플루언스 지도를 생성하기 위한 모델 프리, 엔드 투 엔드 딥러닝 프레임워크를 개발하는 것.
• 수동 또는 자동으로 동맥 입력 기능(AIF)을 추정하는 것의 필요성을 제거하여 오류 발생 가능성이 높고 시간이 오래 걸리는 과정을 피하는 것.
• 변동하는 대비 볼루스 도착 시간을 처리함으로써 급성 뇌경색에서 퍼플루언스 지도 생성의 강건성을 향상시키는 것.
• 기존 방법보다 노이즈가 적고 계산 속도가 빠른 퍼플루언스 지도를 생성하여 실시간 임상 적용을 가능하게 하는 것.

제안 방법

• 원시 DSC-MRI 시퀀스에서 T_max 퍼플루언스 지도를 예측하기 위해 3D U-Net 유사 컨볼루션 신경망 아키텍처를 사용한다.
• 모델은 각 볼륨의 시간 시리즈를 독립적으로 처리하며, 퍼플루언스 신호 내 국소적 시간 패턴에 의존한다.
• 고정된解부학적 영역(기저부에서 후두엽 동맥까지)에서 특징을 추출하여 볼루스 도착 시간과 AIF 특성을 추정하는 전용 볼루스 특성화 구조(BCS)를 구현한다.
• 시간적 데이터 증강을 위해 퍼플루언스 시퀀스를 -5에서 30 프레임까지 무작위로 이동시키며, 신호 무결성을 유지하기 위해 반사 기반 팯딩을 적용한다.
• 손실 함수로 가중 평균 절대 오차(MAE)를 사용하며, MAEC 지표에 가장 큰 영향을 미치는 값에 대해 높은 가중치를 적용하여 주요 영역에서의 예측 정확도를 향상시킨다.
• 학습 안정성을 높이기 위해 사전 처리 단계에서 공간적 및 시간적 정규화를 실시하며, 이는 볼륨 단위의 가우시안 스무딩과 표준화를 포함한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 AIF 추정이나 매개변수 모델링 없이 원시 DSC-MRI 데이터에서 임상적으로 유의미한 퍼플루언스 지도를 직접 생성할 수 있는가?
• RQ2 변동하는 볼루스 도착 시간에 대한 저항성, 노이즈 수준, 정확도 측면에서 표준 임상 퍼플루언스 지도와 비교해 모델 성능은 어떠한가?
• RQ3 시간적 데이터 증강이 다양한 대비 도착 지연이 있는 케이스 간 일반화 능력을 얼마나 향상시키는가?
• RQ4 전용 볼루스 특성화 모듈을 포함한 모델이 이러한 인덕티브 바이어스 없이 표준 CNN보다 성능 향상에 기여하는가?
• RQ5 모델이 예측 불확실성을 추정할 수 있으며, 이 불확실성은 실제 예측 오차와 상관관계가 있는가?

주요 결과

• 제안된 모델은 표준 임상 퍼플루언스 지도와 유사한 성능을 달성하였으며, 예측된 T_max 지도에서 노이즈가 크게 감소하고 더 부드러운 외관을 보였다.
• 시간적 데이터 증강을 통해 볼루스 도착 시간의 변동성에 대한 저항성이 높아졌으며, 이는 일반화 능력 향상으로 확인되었다.
• 볼루스 특성화 구조나 손실 가중치를 제거할 경우 예측 정확도가 심각하게 저하되어, 이 요소들이 모델 성능에 결정적인 역할을 한다는 점이 확인되었다.
• 모델의 예측 불확실성(σ²)은 실제 오차와는 상관관계가 없었으며, 예측 값의 크기와 관련이 있었는데, 이는 목표 지도의 노이즈로 인해 고값 볼륨을 정확히 예측하기 어려운 어려움이 있음을 시사한다.
• 약한 신호 감쇠와 높은 노이즈(예: 머리 운동으로 인한)가 있는 경우, 모델이 실패했으며, 이는 볼루스 특성화 구조가 볼루스를 신뢰성 있게 탐지하지 못했을 때의 한계를 보여준다.
• 훈련 시 데이터 증강을 적용한 모델 B는 테스트 세트에서 모델 A를 능가하는 성능을 보였으며, 이는 증강 기법이 변수가 있는 볼루스 타이밍을 가진 새로운 데이터에 대한 일반화 능력을 향상시켰음을 시사한다.