[논문 리뷰] A Generalized Network for MRI Intensity Normalization

Attila Simkó, Tommy Löfstedt외 3명|arXiv (Cornell University)|2019. 09. 12.

Medical Image Segmentation Techniques참고 문헌 7인용 수 7

한 줄 요약

이 논문은 비의료용 ImageNet 이미지를 사용해 훈련한 딥러닝 기반의 MRI 강도 보정 방법인 GetNet을 제안한다. 이는 다양한 스캐너와 신체 부위에 걸쳐 일반화 가능하며, 합성된 게인 필드를 추정하고 제거하기 위해 이중지점 잔차 신경망을 활용함으로써 N4ITK보다 높은 정확도를 달성하면서도 70배 빠른 속도를 기록한다. 실제 의료 영상은 훈련에 사용되지 않은 합성 MRI 데이터에 대해 뛰어난 성능을 보이며, 이는 의료 영상 없이도 효과적인 보정이 가능하다는 것을 시사한다.

ABSTRACT

Image normalization, the correction for intra-volume inhomogeneities in magnetic resonance imaging (MRI) data has little significance for visual diagnosis, but is a crucial step before automated radiotherapy solutions. There are several well-established normalization methods, however they are usually time expensive and difficult to tune for a specific dataset. In this study, we show how an artificial neural network (ANN) can be trained on non-medical images --- making the model general --- for intensity normalization on medical MRI images. Compared to one of the most well-known correction methods, N4ITK, the trained network achieves a higher accuracy with a speedup-factor of almost 70.

연구 동기 및 목표

• 다양한 스캐너와 해부학적 부위에 걸쳐 잘 작동하는 일반화 가능한 MRI 강도 보정 방법을 개발하기 위해.
• 딥러닝 모델의 강도 보정 훈련에 의료 영상이 필요 없도록 하기 위해.
• 기존 방법들(예: N4ITK)보다 더 빠른 처리 속도를 확보하면서도 정확도를 유지하거나 향상시키기 위해.
• 실제 임상에서 관찰되는 비균일성을 반영한 현실적인 게인 필드를 가진 합성 MRI 데이터를 대상으로 방법을 검증하기 위해.
• 자연 이미지에서 훈련된 네트워크가 의료 영상에 노출되지 않은 상태에서도 MRI 강도 비균일성을 효과적으로 보정할 수 있는지 입증하기 위해.

제안 방법

• 256×256 입력 영상에서 저주파 게인 필드를 추정하기 위해 수정된 ResNet 아키텍처인 GetNet을 사용한다.
• 이중지점 훈련 설정을 사용하여, 한 지점은 입력 영상에 합성된 게인 필드를 추가로 처리하고, 다른 지점은 원본 영상을 처리한다.
• 두 지점의 게인 필드 비율을 계산하는 두 번째 네트워크인 NeedNet을 통해 보정 인자를 추정함으로써 게인 필드를 효과적으로 제거하도록 학습한다.
• 훈련 목표는 예측된 비율과 진짜 비율 간의 평균 절대 오차(MAE)를 최소화하는 것으로, 모든 볼륨에서의 차이를 최소화한다.
• 문헌과 BrainWeb 데이터를 바탕으로 최대 30%의 비균일성을 가진 합성 게인 필드를 생성하여 실제 MRI 강도 변동을 모의한다.
• 훈련 과정에서 실제 의료 영상 데이터를 전혀 사용하지 않고, 그레이스케일로 변환하고 정규화한 ImageNet 이미지만을 사용한다.

실험 결과

연구 질문

• RQ1 비의료 이미지에서 훈련된 딥 네트워크가 다양한 스캐너와 해부학적 부위에 걸쳐 MRI 강도 보정에 일반화 가능한가?
• RQ2 딥러닝 기반 보정 방법이 N4ITK와 같은 기존 방법보다 정확도와 속도 면에서 뛰어나지 않는가?
• RQ3 자연 이미지에서 훈련된 네트워크가 의료 데이터에 노출되지 않은 상태에서도 MRI 전용 게인 필드를 추정하고 보정할 수 있는가?
• RQ4 제안된 방법의 성능은 합성 MRI 스캔에서 다양한 조직 유형 간에 어떻게 달라지는가?
• RQ5 기존 방법을 학습된 방법으로 대체할 경우, 계산 효율성과 보정 정확도 사이의 상충 관계는 어떠한가?

주요 결과

• GetNet은 전체 영상에서 상대적 평균 절대 오차(MAE)가 0.152를 기록하여 N4ITK의 0.166과 원래 게인 필드의 0.231를 모두 상회한다.
• 조직별 평가에서 GetNet은 체액에서 MAE를 0.049로 줄였고, 회색 뇌질에서는 0.031, 흰 뇌질에서는 0.019로 낮추었으며, 이는 N4ITK의 값보다 유의미하게 낮았다.
• N4ITK 대비 70배의 속도 향상을 달성하여, GeForce GTX 1050 Ti에서 보정 시간을 20,470초에서 294초로 단축시켰다.
• 시각적 비교 결과, 특히 비균일성이 높은 영역에서 GetNet이 N4ITK보다 더 매끄럽고 정확한 강도 보정을 제공하는 것으로 확인되었다.
• 모델는 다양한 MRI 시퀀스와 조직 유형 간에 잘 일반화되었으며, 비의료 이미지에서만 훈련된 점을 감안할 때 뛰어난 강건성을 보였다.
• 제거 실험 결과, 지표가 없는 상태에서도 이중지점 훈련 전략이 게인 필드를 효과적으로 추정하고 제거하는 데 성공했음을 확인했다.