[논문 리뷰] MR Acquisition-Invariant Representation Learning

Wouter M. Kouw, Marco Loog외 2명|arXiv (Cornell University)|2017. 09. 22.

Domain Adaptation and Few-Shot Learning참고 문헌 38인용 수 4

한 줄 요약

이 논문은 MRI 촬영 조건에 영향을 받지 않는 표현을 학습하기 위해 스캐너별로 다른 변동성을 최소화하면서도 조직 대trast를 유지하는 mrai-net를 제안한다. 이 방법을 통해 라벨이 적은 타겟 도메인 데이터에서조차도 이식 가능하고 일반화 가능한 조직 분류가 가능해진다: mrai-net 특징에 선형 분류기를 적용한 결과, 제한된 타겟 도메인 데이터가 있는 상황에서 깊은 컨볼루션 신경망보다 성능이 뛰어나다.

ABSTRACT

Voxelwise classification approaches are popular and effective methods for tissue quantification in brain magnetic resonance imaging (MRI) scans. However, generalization of these approaches is hampered by large differences between sets of MRI scans such as differences in field strength, vendor or acquisition protocols. Due to this acquisition related variation, classifiers trained on data from a specific scanner fail or under-perform when applied to data that was acquired differently. In order to address this lack of generalization, we propose a Siamese neural network (MRAI-net) to learn a representation that minimizes the between-scanner variation, while maintaining the contrast between brain tissues necessary for brain tissue quantification. The proposed MRAI-net was evaluated on both simulated and real MRI data. After learning the MR acquisition invariant representation, any supervised classification model that uses feature vectors can be applied. In this paper, we provide a proof of principle, which shows that a linear classifier applied on the MRAI representation is able to outperform supervised convolutional neural network classifiers for tissue classification when little target training data is available.

연구 동기 및 목표

• 촬영 조건의 영향(예: 자기장 강도, 제조사, 촬영 프rotocol 등)으로 인해 발생하는 MRI 뇌 조직 분할을 위한 지도 학습 기반 볼륨 분류의 일반화 부족 문제를 해결하기 위해.
• 다른 MRI 스캐너나 프rotocol로 인한 불필요한 변동성을 줄이되, 임상적으로 중요한 조직 대비를 손상시키지 않기 위해.
• 과제에 종속되지 않은, 촬영 조건에 영향을 받지 않는 표현을 개발하여 기존에 라벨링된 소스 데이터를 새로운, 관측되지 않은 스캐너에서 재사용할 수 있도록 하기 위해.
• 타겟 도메인 학습 데이터가 부족한 상황에서, 학습된 표현에 간단한 선형 분류기를 적용하면 더 복잡한 깊은 컨볼루션 신경망보다 성능이 뛰어나다는 것을 입증하기 위해.

제안 방법

• 쌍둥이 인코더를 갖춘 시아모이즈 신경망 아키텍처를 사용하여 쌍체 MRI 스캔에서 공유 표현을 학습하기 위해.
• 유사한 쌍(동일한 조직, 다른 스캐너)의 임베딩을 가까이 모으고, 비유사한 쌍(다른 조직, 동일한 스캐너)의 임베딩을 멀리 떼는 대비 손실 함수를 사용하여 네트워크를 훈련하기 위해.
• 유사한 쌍을 동일한 조직, 다른 스캐너의 스캔으로 정의하고, 비유사한 쌍을 동일한 스캐너에서 다른 조직의 스캔으로 정의하기 위해.
• 임베딩 공간 내의 쌍별 거리의 L1-노름을 최소화하여 안정적인 기울기와 효과적인 특징 군집화를 보장하기 위해.
• 촬영 조건의 차이에 영향을 받지 않는 표현을 학습하면서도, 후속 분류를 위해 조직 특이적 대비를 유지하기 위해.
• 표준 지도 학습 분류기(예: 선형 SVM)를 사용하여 불변 특징에 적용하여 조직 분할을 수행하기 위해.

실험 결과

연구 질문

• RQ1 1.5T와 3T, 다른 제조사 등 MRI 촬영 조건의 차이에 영향을 받지 않는 표현을 깊이 있는 표현으로 학습할 수 있을까? 이 표현은 조직 대비를 유지할 수 있을까?
• RQ2 타겟 스캐너에 대해 라벨이 제한된 데이터만 있는 상황에서, 이러한 불변 표현을 학습하면 조직 분류의 일반화 성능이 향상되는가?
• RQ3 제한된 타겟 도메인 패치에서 훈련된 더 복잡한 깊은 컨볼루션 신경망보다, 불변 표현에 간단한 선형 분류기를 적용하면 성능이 뛰어나지 않는가?
• RQ4 ${\cal A}$-거리와 같은 대체 지표로 측정했을 때, 제안된 방법이 스캐너 간 도메인 이동을 어느 정도 감소시키는가?
• RQ5 학습된 표현은 시뮬레이션된 데이터와 실제 환자 스캔을 포함한 다양한 유형의 MRI 데이터에 대해 일반화 가능한가?

주요 결과

• mrai-net는 소스 도메인과 타겟 도메인 간에 낮은 대체 지표 ${\cal A}$-거리로 인해 MRI 촬영 조건에 영향을 받지 않는 표현을 성공적으로 학습했다.
• 소수의 타겟 도메인 학습 패치만 있는 상황에서, mrai-net 특징에 선형 분류기를 적용한 결과, 타겟 스캐너 패치에서 훈련된 지도 학습 기반 컨볼루션 신경망보다 성능이 뛰어나다.
• 이 방법을 통해 동일한 촬영 조건에 영향을 받지 않는 특징 공간으로 매핑함으로써, 소스 스캐너(예: 1.5T)의 라벨을 타겟 스캐너(예: 3T)로 이식할 수 있다.
• L1-노름 대비 손실 함수를 갖춘 시아모이즈 네트워크가 촬영 조건에 기인한 변동성을 효과적으로 줄였고, 동시에 조직 간 분리성도 유지했다.
• 이 방법은 MRBrainS 데이터셋의 실제 환자 데이터에도 일반화되어 있어 임상적 구현 가능성을 확인했다.
• 학습된 표현은 과제에 종속되지 않으며, 조직 분할 이외의 다양한 후속 작업(예: 병변 탐지, 종양 탐지 등)에도 활용될 수 있다.