Estimating MRI Image Quality via Image Reconstruction Uncertainty
원문 초록
Quality control (QC) in medical image analysis is time-consuming and laborious, leading to increased interest in automated methods. However, what is deemed suitable quality for algorithmic processing may be different from human-perceived measures of visual quality. In this work, we pose MR image quality assessment from an image reconstruction perspective. We train Bayesian CNNs using a heteroscedastic uncertainty model to recover clean images from noisy data, providing measures of uncertainty over the predictions. This framework enables us to divide data corruption into learnable and non-learnable components and leads us to interpret the predictive uncertainty as an estimation of the achievable recovery of an image. Thus, we argue that quality control for visual assessment cannot be equated to quality control for algorithmic processing. We validate this statement in a multi-task experiment combining artefact recovery with uncertainty prediction and grey matter segmentation. Recognising this distinction between visual and algorithmic quality has the impact that, depending on the downstream task, less data can be excluded based on ``visual quality" reasons alone.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
뼈 중첩은 흉부 X선 영상에서 이상 소견을 가릴 수 있으며, 짝지어진 학습 데이터의 부족은 지도 학습 기반 뼈 억제를 제한한다. 본 연구는 이러한 문제를 흉부 컴퓨터단층촬영(CT)을 성분 억제를 위한 짝지어진 지도 신호로 변환하는 디지털 재구성 방사선영상(DRR) 프레임워크로 해결한다. 새로운 뼈 분할 알고리즘을 통해 CT를 뼈, 폐를 제외한 연조직, 폐 성분으로 분해하고 각각을 별도로 투영한다. 이들의 가중 결합은 전체 DRR과 정확히 합산되는 픽셀 정합 성분 영상을 갖춘 합성 방사선영상을 만들어 낸다. 이러한 데이터로 학습한 모델은 대상 성분을 예측하고 나머지를 차감으로 복원하는 방식으로 뼈 또는 폐 성분을 억제하며, 실제 짝지어진 학습 데이터 없이도 실제 방사선영상으로 전이된다. 확장으로서, 실제 방사선영상에 대한 모델의 출력은 짝지어지지 않은 성분별 DRR 변환을 위한 목표 도메인을 제공하여, 해부학적 세부 구조를 유지하면서 외형 격차를 줄인다. 여러 공개 데이터셋에서 수행한 하위 검출 실험은 뼈 억제의 효용을 보여 주며, 그 이득은 뼈 중첩이 큰 이상 소견에 집중된다. 동일한 CT에 적용한 오픈소스 DRR 엔진과 비교할 때, 수정하지 않은 본 DRR은 현실감과 레이블 관련 해부 구조의 보존에서 대등한 수준을 달성하였으며, 변환된 DRR은 평가한 방법 중 가장 우수한 Fréchet inception distance(FID), 폐야 선명도, 원본 CT 해부 구조와의 일치도를 달성하였다. 모델 및 추론 코드: https://huggingface.co/qureaiorg/bone-suppression ; 변환된 투영 영상: https://huggingface.co/datasets/qureaiorg/ct2xr-projections.
자기공명 탄성영상(MRE)에서 점탄성 조직 특성 재구성을 위한 하이브리드 CNN-수반(adjoint) 최적화 프레임워크
A hybrid CNN-adjoint optimization framework for reconstruction of viscoelastic tissue properties in magnetic resonance elastography
자기공명 탄성영상(MRE, Magnetic Resonance Elastography)은 전단파(shear wave) 전파로부터 연조직의 점탄성 특성을 정량화하는 비침습적 영상 기법이다. 측정된 변위장(displacement field)으로부터 복소값 전단 탄성률(shear modulus)을 복원하는 것은, 특히 잡음이 존재하고 경계 가진(boundary excitation)이 제한된 경우 심각하게 비정칙적인(ill-posed) 역문제로 이어진다. 본 연구에서는 수반(adjoint) 기반 최적화, 합성곱 신경망(CNN) 재구성, 그리고 두 접근법을 결합한 하이브리드 프레임워크를 조사한다. 정방향 모델(forward model)은 복소 전단 탄성률을 갖는 수정된 정상(stationary) 스토크스(Stokes) 계의 스칼라 형태를 기반으로 한다. 우리는 정방향 문제의 well-posedness, 최소화자(minimizer)의 존재성, 수반 기반 공식화에 대한 1차 최적성 조건을 확립하고, Armijo 선탐색(line search)을 적용한 비선형 켤레기울기법(conjugate-gradient method)을 구현한다. PDE 제약 최적화(PDE-constrained optimization)는 계수 재구성을 정확하게 정밀화할 수 있지만, 그 성능은 초기화(initialization)에 크게 의존한다. 이에 따라 우리는 복소값 변위 측정값을 공간적으로 변화하는 복소 전단 탄성률 필드로 매핑하여 빠르고 유의미한 초기 재구성을 제공하는 2차원 CNN을 구성한다. 제안된 하이브리드 방법은 CNN 재구성 결과를 사용하여 수반 기반 최적화를 초기화함으로써 더 빠른 수렴(convergence)과 향상된 정확도를 달성한다. CNN은 개별 섭동(perturbation)을 포함하는 계수 필드에 대해 학습되며, 개별 구성과 이전에 보지 못한 복합 구성 모두에 대해 테스트된다. 수치 실험 결과, CNN은 이러한 더 어려운 구성에도 잘 일반화되며, 이후의 PDE 제약 최적화는 재구성된 계수를 추가로 정밀화하는 것으로 나타났다. 이러한 결과는 데이터 기반 초기화와 물리 기반 최적화를 결합하는 것이 효율적이고 정확한 MRE 재구성에 지닌 잠재력을 보여준다.
TomoTransformer: CT 재구성을 위한 파운데이션 모델을 향하여
TomoTransformer: Towards a Foundation Model for CT Reconstruction
지도 심층 학습(supervised deep learning)은 희소 뷰 단층 촬영 재구성(sparse-view tomographic reconstruction) 분야를 발전시켰습니다. 그러나 일반적으로 여과 역투영(FBP) 이미지나 사이노그램(sinogram)을 깨끗한 재구성 이미지로 매핑하는 기존 모델들은 분포 변화(distribution shift)에 취약합니다. 투영 횟수 및 각도, 검출기 해상도 또는 데이터 분포가 변경될 때마다 재학습이 필요하기 때문에, 실제 응용 분야에서의 배포는 여전히 제한적입니다. 이를 해결하기 위해 본 논문에서는 각 국소(local) 여과 투영을 개별 토큰으로 취급하고 셀프 어텐션(self-attention)을 통해 누락된 뷰를 예측하는 트랜스포머 기반 아키텍처인 TomoTransformer를 소개합니다. 결정적으로, TomoTransformer는 공간적 위치 전반에 걸쳐 투영을 분리하는 역투영 공간(back-projection space)에서 작동하므로, 뷰 보간이 기하학적으로 적절한 조건(well-posed)을 갖추고 검출기 크기에 불변하도록 만듭니다. 이러한 설계를 통해 재학습 없이도 임의의 각도 위치 및 검출기 크기에서 임의의 개수의 입력 투영을 처리하고, 임의의 개수의 목표 각도를 쿼리할 수 있는 단일 파운데이션 모델이 구현됩니다. 다양한 의료 CT 해부학적 구조와 자연 이미지를 포괄하는 대규모 데이터셋으로 학습된 TomoTransformer는 여러 해부학적 구조, 재료 및 해상도 전반에 걸쳐 효과적으로 일반화됩니다. 여러 벤치마크 희소 뷰 데이터셋에 대한 광범위한 평가 결과에 따르면, TomoTransformer는 ViewTrans와 같은 동시대의 다목적 모델을 크게 능가하며, 입력 및 목표 투영 수에 완전히 구애받지 않으면서도 강력한 특정 프로토콜 전용 베이스라인과 대등하거나 이를 능가하는 성능을 보입니다. 나아가 이 모델은 X선 방사광 가속기에서 수집된 실제 실험 나노스케일 뇌 데이터에서 강력한 제로샷(zero-shot) 일반화를 입증하여 실제 응용 분야에서의 실용성을 보여줍니다.
RIQE: 컴퓨터 단층촬영(CT)을 위한 NIQE 스타일 참조 모델
RIQE: a NIQE-style reference model for Computed Tomography
Natural Image Quality Evaluator(NIQE)는 원본(pristine) 이미지에 적합화된 모델과의 통계적 거리를 통해 이미지 점수를 매기며, 배포된 모델은 사진을 기반으로 적합화되어 있습니다. 본 연구에서는 공개 LDCT-and-Projection-data 컬렉션의 환자 158명으로부터 얻은 3,792개의 전선량(full-dose) 슬라이스에 적합화된 NIQE 스타일 모델인 Radiology Image Quality Evaluator(RIQE)를 명시된 강도 매핑, 모든 슬라이스의 매니페스트, 적합화를 재현하는 스크립트와 함께 공개합니다. 40명의 미참여(held-out) 환자를 대상으로 평가했을 때, RIQE는 투영 영역 노이즈 삽입으로 시뮬레이션된 저선량 재구성 영상을 흉부 쌍 240개 중 240개, 복부 쌍 240개 중 230개에서 동일한 슬라이스의 전선량 재구성 영상보다 더 나쁘게 평가했으며, 20% 더 많은 노이즈가 있는 이미지를 원본보다 97.5~100%의 경우에서 더 나쁘게 평가했습니다. 그러나 필터링된 이미지들 간의 선호도는 병변 신호를 따르지 않았습니다. 노이즈가 있는 복부 슬라이스에 4mm, +10 HU 병변을 삽입했을 때, RIQE는 최대 32 HU 잔차까지 모든 이미지에서 필터링되지 않은 이미지보다 양방향 필터링(bilateral filtering)을 선호했으나, 이때 병변의 정합 필터 신호는 29%만 남고 검출도 지수는 0.51에서 0.33으로 떨어집니다. 반면 동일한 32 HU 잔차에서 신호의 70%와 0.48의 검출도 지수를 유지하는 가우시안 평활화(Gaussian smoothing)는 전혀 선호하지 않았습니다. NIQE용으로 공개된 파라미터를 사용하여 사진에 적합화했을 때, 동일한 코드는 시뮬레이션된 모든 저선량 복부 이미지를 전선량 이미지보다 더 우수하다고 평가했습니다. RIQE는 열화된 이미지를 원본과 비교하여 순위를 매기는 데 적합하지만, 테스트된 조건 하에서 디노이저를 선택, 비교 또는 튜닝하기 위한 유일한 기준으로 사용되어서는 안 됩니다.
VoxelSynth3D: 쌍을 이룬 합성 CLINIC-Metal 벤치마크를 활용한 해석 가능한 3차원 영상 도메인 금속 아티팩트 저감 기법
VoxelSynth3D: Interpretable Volumetric Image-Domain Metal Artifact Reduction with a Paired Synthetic CLINIC-Metal Benchmark
수술 후 근골격계 CT에서 발생하는 금속 아티팩트는 뼈-임플란트 및 인접한 연조직 경계면을 가립니다. 많은 금속 아티팩트 저감(MAR) 방식은 획득하기 어려운 원시 투영 데이터(raw projection)를 필요로 하거나, 스캐너 및 임플란트 종류에 따라 성능 변화(shift)가 발생할 수 있는 학습(training) 기반 모델을 사용합니다. 본 논문에서는 재구성된 CT를 위한 학습 불필요(training-free) 3차원 영상 도메인 프레임워크인 VoxelSynth3D를 제시합니다. 이 프레임워크는 지지 마스킹(support masking), 정규화된 조직 합성, 편차 게이팅(deviation gating), 제한적 에지 정제를 결합합니다. 탐지된 임플란트 복셀(voxel)은 출력에서 그대로 보존되는 반면, 보정은 주변 조직의 금속 유발 아티팩트를 대상으로 수행됩니다. 또한 우리는 깨끗한 타깃, 금속/아티팩트 마스크, 고정된 시드, 환자 수준의 분할을 갖춘 금속 없는 CTPelvic1K 볼륨으로부터 통제된 쌍을 이룬 합성 평가 리소스인 Synthetic CLINIC-Metal을 구축하였으며, 75개의 쌍을 이루지 않은 실제 금속 케이스는 정성적/무참조(no-reference) 평가만 거칩니다. 동작 지점은 거의 평탄한 검증(validation) 영역 내에서 고정되었습니다. 정확한 마스크 오라클 위치 지정을 통해 모든 방법은 금속이 제외된 조직 ROI를 공유합니다. 40개의 홀드아웃(held-out) 케이스에서 VoxelSynth3D는 RMSE를 801.48 HU에서 786.18 HU로 감소시켰으며(쌍체 이득 15.30 HU, 95% CI 11.68-19.23), 모든 케이스에서 성능을 개선하여 평가된 3D 가우시안 평활기보다 13.58 HU 더 뛰어난 성능을 보였습니다. 깨끗한 에지 일치도는 금속 바로 인접부에서는 감소했으나 5 mm를 벗어난 영역에서는 입력을 상회했습니다. 따라서 VoxelSynth3D는 국소적 구조적 트레이드오프를 수반하면서도 케이스 전반에 걸쳐 일관된 분포 내 조직 오차 감소를 제공합니다. 간격 인지 민감도 분석은 종합적인 광역 개선을 유지하면서 금속 근접 캘리브레이션을 개선 목표로 식별했습니다.
전신 감쇠 보정을 위한 기하학 앵커 기반 PET 인식 멀티모달 의사 CT 합성: BIC-MAC 챌린지
Geometry-anchored PET-aware multimodal pseudo-CT synthesis for whole-body attenuation correction: the BIC-MAC Challenge
BIC-MAC 챌린지는 CT 없는 PET 감쇠 보정(attenuation correction)을 위해 NAC-PET, Dixon MRI, 2D 토포그램(topogram)으로부터 전신 의사 CT(pseudo-CT)를 합성하는 것을 목표로 합니다. 본 논문에서는 NAC-PET를 공간적 기준(spatial reference)으로 사용하고 게이트 잔차 융합(gated residual fusion)을 통해 토포그램 및 MRI 특징을 통합하는 기하학 앵커 기반 멀티모달 프레임워크인 GeoPACT를 제안합니다. 절대 좌표와 전신 조건화(whole-body conditioning)는 해부학적으로 일관된 패치 기반 예측을 지원합니다. 학습(training)은 다운스트림 PET 재구성 관련 오차를 줄이기 위해 감쇠 맵 지도(attenuation-map supervision)와 미분 가능한 PET 반응 대리 모델(PET-response surrogate)을 결합합니다. 테스트 시점에서는 CT나 PET 레이블 없이도 슬라이딩 윈도우 추론(inference)을 사용하여 전체 해상도 의사 CT 볼륨을 생성합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.