[논문 리뷰] Ultrasound Shear Wave Elasticity Imaging with Spatio-Temporal Deep Learning

Maximilian Neidhardt, Marcel Bengs외 5명|arXiv (Cornell University)|2022. 04. 11.

Ultrasound Imaging and ElastographyMedicine인용 수 1

한 줄 요약

이 논문은 기존의 속도 기반 방법을 거치지 않고 실시간으로 픽셀 단위의 탄성도 추정을 위한 3D 시공간 컨volution 신경망(CNN)을 제안한다. 이는 실제 초음파 전단파 데이터로부터 이루어지며, 동질성 있는 페리티드에서 평균 절대 오차(MAE)가 5.01 ± 4.37 kPa를 기록하고, 시간 도달 기반 방법 대비 포함부에서 MAE를 53.93% 감소시켜, 푸시 위치에 의존하지 않고, 심지어 푸시 영역 내에서도 정확한 국소 탄성도 추정을 가능하게 한다.

ABSTRACT

Ultrasound shear wave elasticity imaging is a valuable tool for quantifying the elastic properties of tissue. Typically, the shear wave velocity is derived and mapped to an elasticity value, which neglects information such as the shape of the propagating shear wave or push sequence characteristics. We present 3D spatio-temporal CNNs for fast local elasticity estimation from ultrasound data. This approach is based on retrieving elastic properties from shear wave propagation within small local regions. A large training data set is acquired with a robot from homogeneous gelatin phantoms ranging from 17.42 kPa to 126.05 kPa with various push locations. The results show that our approach can estimate elastic properties on a pixelwise basis with a mean absolute error of 5.01(437) kPa. Furthermore, we estimate local elasticity independent of the push location and can even perform accurate estimates inside the push region. For phantoms with embedded inclusions, we report a 53.93% lower MAE (7.50 kPa) and on the background of 85.24% (1.64 kPa) compared to a conventional shear wave method. Overall, our method offers fast local estimations of elastic properties with small spatio-temporal window sizes.

연구 동기 및 목표

• 실제 초음파 전단파 데이터로부터 직접적인 국소 탄성도 추정을 위한 딥 러닝 기반 방법을 개발하여, 전단파 속도 추정에 의존하지 않도록 하는 것.
• 비균일한 조직과 초음파 푸시 영역 근처에서 탄성도 영상의 정확도와 강인성을 향상시키는 것.
• 푸시 위치나 파동 방향에 의존하지 않고, 소규모 시공간 창을 사용하여 실시간으로 픽셀 단위의 탄성도 매핑을 가능하게 하는 것.
• 동질성 있는 페리티드와 복잡한 포함부에서의 성능을 검증하여 기존의 시간 도달 기반 방법에 비해 성능 향상을 입증하는 것.

제안 방법

• 이 방법은 시공간 x, y, t의 국소 3D 데이터 큐브를 입력으로 사용하는 3D 시공간 CNN을 활용하며, 이를 시공간 창이라 칭한다.
• 네트워크 아키텍처는 공간 및 시간 차원의 차원을 감소시키기 위해 평균 풀링을 사용하는 전이층을 포함한 DenseNet 블록 기반이다.
• 입력 데이터는 다양한 탄성도(17.42–126.05 kPa)와 푸시 위치를 포함하는 로봇 시스템에서 확보한 고속 초음파 전단파 시퀀스이다.
• 네트워크는 시공간 창에서 직접 양의 탄성률(Yang's modulus)을 예측하여, 영상의 각 픽셀에서 국소 탄성도 추정을 가능하게 한다.
• 훈련은 알려진 탄성도를 가진 대규모 합성 동질성 젤라틴 페리티드 데이터셋을 사용하여 수행되며, 이는 비균일한 구조로의 일반화를 가능하게 한다.
• 추론은 속도 최적화를 통해 소규모 창(0.32 × 0.4 mm)에서 1회 예측당 0.07 ms의 시간으로 수행되어 기존 방법 대비 효율성 면에서 뛰어나다.

실험 결과

연구 질문

• RQ1 3D 시공간 CNN은 전단파 속도 추정에 의존하지 않고 실제 초음파 전단파 데이터로부터 정확하고 국소적인 탄성도 추정을 달성할 수 있는가?
• RQ2 기존 방법이 실패하기 쉬운 초음파 푸시 영역 내에서 탄성도 추정 성능은 어떻게 되는가?
• RQ3 비균일한 페리티드의 경직된 포함부에서 기존 시간 도달 기반 방법에 비해 성능 향상은 어느 정도 이루어지는가?
• RQ4 시공간 창 크기의 선택은 탄성도 추정의 경계 정의 및 총합 정확도에 어떤 영향을 미치는가?

주요 결과

• 동질성 젤라틴 페리티드에서 넓은 탄성도 범위(17.42–126.05 kPa)에서 평균 절대 오차(MAE)가 5.01 ± 4.37 kPa를 기록한다.
• 경직된 포함부가 내장된 페리티드에서 기존 시간 도달 기반 방법 대비 MAE가 53.93% 감소(7.50 kPa)된다.
• 배경 조직에서는 MAE가 1.64 kPa로 시간 도달 기반 방법 대비 85.24% 향상된다.
• 이 방법은 푸시 위치에 관계없이 일관된 탄성도 추정을 제공하며, 푸시 영역 내부에서도 정확하게 작동한다.
• 작은 시공간 창(예: 17×17 픽셀, 약 1×1 mm)은 더 큰 창과 유사한 Dice 계수를 제공하지만, 17×17 픽셀 이하로 감소하면 성능이 크게 떨어진다.
• 이 방법은 1회 추정당 최소 0.07 ms의 추론 시간으로 실시간 탄성도 매핑을 가능하게 하여 기존 방법 대비 속도와 정확도 면에서 뛰어나다.