[論文レビュー] Local context encoding enables machine learning-based quantitative photoacoustics.

Thomas Kirchner, Janek Gröhl+1 more|arXiv (Cornell University)|Jun 12, 2017

Photoacoustic and Ultrasonic Imaging参考文献 41被引用数 7

ひとこと要約

本稿では、局所的コンテキスト符号化（LCE）を用いた機械学習ベースの定量的光音響トモグラフィー（qPAT）の手法を提案する。LCEは、1つのシミュレートされたPAT画像からボクセルレベルの信号およびシステム特性を符号化することで、数千ものトレーニングサンプルを生成する。この手法により、単一波長および多波長PATデータから局所的フルエンス、光学吸収率、および組織酸素化状態の高精度で頑健な定量的評価が可能になる。

ABSTRACT

Real-time monitoring of functional tissue parameters, such as local blood oxygenation, based on optical imaging could provide groundbreaking advances in the diagnosis and interventional therapy of various diseases. While photoacoustic (PA) imaging is a novel imaging concept with great potential to measure optical absorption deep inside tissue, quantification of the measurements remains a major challenge to be addressed. In this paper, we introduce the first machine learning-based approach to quantitative PA tomography (qPAT), which relies on learning the fluence in a voxel to deduce the corresponding optical absorption. The bottleneck of training data generation is overcome by encoding relevant information of the measured signal and the characteristics of the imaging system in voxel-based context images, which allow the generation of thousands of training samples from a single simulated PAT image. Comprehensive in silico experiments demonstrate that the concept of local context encoding (LCE) enables highly accurate and robust quantification (1) of the local fluence and the optical absorption from single wavelength PAT images as well as (2) of local oxygenation from multi wavelength PAT images.

研究の動機と目的

• 光音響トモグラフィー（PAT）における正確で頑健な定量的評価、特に血液酸素化状態などの機能的組織パラメータの課題に対処すること。
• qPATにおける機械学習モデルのトレーニングデータ生成のボトルネックを克服し、1つのシミュレートされたPAT画像から効率的なデータ拡張を可能にする。
• ボクセル単位のフルエンスを学習することで光学吸収率を推定し、高精度な定量的画像診断を実現する手法の開発。
• 多波長PATへの応用を拡張し、局所的酸素化状態の定量的評価を可能にし、臨床応用における診断可能性を向上させること。

提案手法

• 空間的およびシステム固有の情報（信号特性や画像化幾何学的条件など）をボクセルベースのコンテキスト画像に符号化する、局所的コンテキスト符号化（LCE）を提案する。
• コンテキスト画像を機械学習モデルの入力とし、局所的フルエンスを予測する。得られたフルエンスをもとに光学吸収係数を推定する。
• コンテキスト符号化フレームワーク内での空間的およびシステムベースの摂動を適用することで、1つのシミュレートされたPAT画像から多様なトレーニングサンプルを数千個生成する。
• エンコードされたコンテキスト画像から局所的フルエンスおよび吸収係数値をマッピングする、エンドツーエンドに訓練されたディープラーニングアーキテクチャを採用し、単一波長および多波長PATデータからの推論を可能にする。
• 制御された条件下で、インシリコシミュレーションを用いてモデルのトレーニングおよび検証を行い、多様な組織構造および光学特性にわたる頑健性を確保する。
• 訓練されたモデルを用いて、高空間分解能で局所的フルエンスおよび吸収係数を再構成し、機能的組織パラメータの定量的評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 局所的コンテキスト符号化は、1つのシミュレートされた画像から、機械学習モデルのトレーニングに十分かつ多様なデータを効果的に生成できるか？
• RQ2 LCEでトレーニングされた機械学習モデルは、単一波長PATデータから局所的フルエンスおよび光学吸収係数をどの程度正確に再構成できるか？
• RQ3 LCEベースのアプローチは、多波長PAT画像から組織酸素化状態の頑健で正確な定量的評価を可能にするか？
• RQ4 さまざまな組織および画像化条件下での精度と頑健性の観点から、LCEベースの手法は従来のqPAT技術と比較してどの程度優れているか？

主な発見

• 局所的コンテキスト符号化により、1つのシミュレートされたPAT画像から数千ものトレーニングサンプルを生成可能であり、qPATにおける機械学習のデータ集約の主要なボトルネックを克服した。
• 本手法は、単一波長PAT画像からの局所的フルエンスおよび光学吸収係数の高精度な再構成を達成しており、包括的なインシリコ実験による定量的妥当性が確認された。
• 本アプローチは、多波長PATデータからの局所的組織酸素化状態の頑健な定量的評価を可能にし、機能的画像診断応用における潜在的価値を示した。
• モデルは組織構造および光学特性の変動に対しても高い頑健性を示し、多様な解剖的状況にわたる優れた一般化能力を有していることが示された。
• ボクセルレベルの表現にシステム固有および信号ベースのコンテキスト情報を統合することで、モデルの性能とデータ効率が顕著に向上した。
• 結果として、LCEベースの機械学習は、従来の反復的再構成手法に代わる実用的で強力な代替手法であることが示された。