[論文レビュー] MITNet: GAN Enhanced Magnetic Induction Tomography Based on Complex CNN

Zuohui Chen, Qing Yuan+6 more|arXiv (Cornell University)|Feb 16, 2021

Electrical and Bioimpedance Tomography参考文献 39被引用数 7

ひとこと要約

本稿では、磁気誘導断層撮影（MIT）のためのGAN強化型複素数畳み込みニューラルネットワークであるMITNetを提案する。この手法は、高精度な脳バイオインピーダンス分布の再構成を直接的に行うために、複素数値信号を直接処理する。実世界のデータセット上で、最先端技術比で25.27%の性能向上を達成し、形状および位置回復の精度が優れており、IoUは82.25%、Contour Distance（CD）は3.31ピクセルを記録した。

ABSTRACT

Magnetic induction tomography (MIT) is an efficient solution for long-term brain disease monitoring, which focuses on reconstructing bio-impedance distribution inside the human brain using non-intrusive electromagnetic fields. However, high-quality brain image reconstruction remains challenging since reconstructing images from the measured weak signals is a highly non-linear and ill-conditioned problem. In this work, we propose a generative adversarial network (GAN) enhanced MIT technique, named MITNet, based on a complex convolutional neural network (CNN). The experimental results on the real-world dataset validate the performance of our technique, which outperforms the state-of-art method by 25.27%.

研究の動機と目的

• 実世界の状況において、弱くノイズが多く、悪条件なMIT信号から正確なバイオインピーダンスマップを再構成する課題に対処すること。
• 従来の線形手法や、シミュレートデータや強度情報のみに依存する既存のディーブラーニング手法の限界を克服すること。
• 複素数値信号情報の保持を可能とし、敵対的訓練により画像の再構成品質を向上させるディーブラーニングフレームワークの開発。
• 独自のMITシステムを用いて収集した実世界データセット上で、臨床的妥当性と実用的応用性を保証するため、提案手法の検証を行うこと。

提案手法

• MITNetは、強度情報のみや実部・虚部への分離を経由せずに、複素数値のまま入力信号を処理する複素数畳み込みニューラルネットワーク（CNN）を採用する。
• 生成的敵対ネットワーク（GAN）を統合し、周波数成分の詳細を学習することで再構成品質を向上させ、構造的一致性を向上させる。
• 2段階のトレーニング戦略を採用：まずオートエンコーダー部の事前トレーニングによりネットワーク重みを初期化し、その後、敵対的損失と再構成損失を用いたエンドツーエンドのGANトレーニングを実施。
• 最適化にはAdamを使用し、200エポックにわたり固定学習率0.001、バッチサイズ16でTesla V100 GPU上で学習を実施。
• 後処理として、粗いアーチファクトを低減するため、各三角形領域をその周囲の隣接領域と平均化することで空間的スムージングを実施。
• GAN部は、ベースラインモデル（NR、FCN、SAE）の出力を精錬するために適用され、敵対的強化の有効性が検証された。

実験結果

リサーチクエスチョン

• RQ1 実世界のMITデータでトレーニングされたディーブラーニングモデルは、既存手法に比べてバイオインピーダンス分布の再構成性能を上回ることができるか？
• RQ2 強度情報のみの処理と比較して、複素数値信号情報を保持することで再構成精度がどのように向上するか？
• RQ3 GANベースの精錬処理は、特に形状および境界の正確性において、MIT再構成の画像品質をどの程度向上させるか？
• RQ4 本手法であるMITNetは、円筒形や三角柱などの異なるサイズ・形状の物体に対しても一般化性能を示すか？
• RQ5 GAN強化型複素数CNNは、従来の線形手法および標準的なディーブラーニングベースラインと比較して、実データ上でも優れた性能を発揮できるか？

主な発見

• MITNetは、平均IoUが82.25%で最高を記録し、平均CDは3.31ピクセルと最低を記録し、すべてのベースラインを上回った。
• 35mmおよび30mmの円筒形物体では、それぞれ88.61%および86.68%のIoUを達成し、サイズ変動に強い性能を示した。
• 三角柱形物体では71.47%のIoUを達成し、SAE（69.70%）およびFCN（74.20%）を大きく上回り、形状認識能力の優位性を示した。
• GAN強化はすべてのベースラインモデルで効果を示したが、MITNetはすべてのデータタイプで最も優れた性能を示し、複素数CNNとGANの統合設計の有効性を裏付けた。
• 独自のMITシステムで収集した実世界データセット上で、最先端技術比で再構成誤差を25.27%低減した。