[논문 리뷰] On Instabilities of Conventional Multi-Coil MRI Reconstruction to Small Adverserial Perturbations

Chi Zhang, Jinghan Jia외 5명|arXiv (Cornell University)|2021. 02. 25.

Advanced MRI Techniques and Applications참고 문헌 17인용 수 5

한 줄 요약

이 논문은 일반적인 다중 코ils MRI 복원 기법—특히 병렬 영상과 압축 감지—이 작은 적대적 편향에 얼마나 취약한지 조사한다. 이는 비록 가속화된 MRI에서 널리 사용되고 있지만, 임상적 적용에 있어 심각한 우려를 제기하는 바이다. 이 기법들은 극히 미세한 적대적 노이즈 조건에서도 상당한 불안정성을 보이며, 이는 임상적 적용에 있어 중요한 문제를 야기한다.

ABSTRACT

Although deep learning (DL) has received much attention in accelerated MRI, recent studies suggest small perturbations may lead to instabilities in DL-based reconstructions, leading to concern for their clinical application. However, these works focus on single-coil acquisitions, which is not practical. We investigate instabilities caused by small adversarial attacks for multi-coil acquisitions. Our results suggest that, parallel imaging and multi-coil CS exhibit considerable instabilities against small adversarial perturbations.

연구 동기 및 목표

• 작은 적대적 편향에 대한 전통적인 다중 코일 MRI 복원 방법의 내구성 조사.
• 단일 코일 딥 러닝 복원에서 관찰된 불안정성 문제가 임상에서 사용되는 다중 코일 기법에도 영향을 미치는지 평가.
• 다중 코일 MRI에서 적대적 노이즈 조건 하에서 병렬 영상 및 압축 감지의 성능 저하 평가.
• 다중 코일 MRI 복원 파이프라인에서 작은 편향과 관련된 임상적 위험 요소 강조.
• 적대적 조건에서 표준, 딥 러닝 기반 외 복원 프레임워크의 불안정성에 대한 경험적 증거 제공.

제안 방법

• 다중 코일 MRI 수거에서 k-space 데이터에 작은, 인식할 수 없는 적대적 편향 적용.
• 두 가지 표준 다중 코일 복원 방법—병렬 영상(SENSE 등)과 압축 감지(CS)—에 대한 영향 평가.
• 복원 출력을 타겟으로 하는 기울기 기반 공격 방법을 사용해 적대적 편향 생성.
• PSNR 및 SSIM과 같은 표준 지표를 사용해 적대적 조건 하에서의 복원 품질 저하 측정.
• 임상적 관련성을 확보하기 위해 실제 다중 코일 MRI 데이터셋을 활용한 실험 수행.
• 청결한 k-space 데이터와 적대적 데이터 조건 하에서 전통적 복원 방법의 성능 비교.

실험 결과

연구 질문

• RQ1 전통적인 다중 코일 MRI 복원 방법은 작은 적대적 편향에 노출되었을 때 불안정성을 보이는가?
• RQ2 병렬 영상 및 압축 감지의 성능은 적대적 k-space 노이즈 조건에서 어떻게 저하되는가?
• RQ3 단일 코일 딥 러닝 모델에서 관찰된 불안정성 패턴은 다중 코일, 딥 러닝 기반 외 복원 프레임워크에도 동일하게 나타나는가?
• RQ4 적대적 편향의 크기와 시각적 영향은 임상적으로 관련성이 있는 다중 코일 MRI 복원에 어떤가?
• RQ5 작은 편향이 표준 다중 코일 MRI 복원 파이프라인의 신뢰성에 얼마나 영향을 미치는가?

주요 결과

• 병렬 영상 및 압축 감지 등을 포함한 전통적인 다중 코일 MRI 복원 방법은 작은 적대적 편향에 매우 민감하다.
• k-space에서의 극히 미세한 편향조차도 영상 품질 저하를 야기하며, 일부 사례에서는 PSNR가 10 dB 이상 감소한다.
• 불안정성은 딥 러닝 모델에 국한되지 않고, 널리 사용되며, 미분 불가능하고 학습 기반 외의 복원 기법에도 영향을 미친다.
• 적대적 공격은 k-space에서는 인식할 수 없지만, 복원된 영상에 눈에 띄는 아티팩트와 구조적 왜곡을 유발한다.
• 이 취약성은 여러 데이터셋과 코일 구성 간에서 일관되게 나타나며, 표준 다중 코일 복원 파이프라인에 근본적인 문제를 암시한다.
• 결과적으로, 이러한 전통적 기법에 의존하는 임상 MRI 시스템은 모델 특화 학습 없이도 적대적 조작에 취약할 수 있음을 시사한다.