Phase-map synthesis from magnitude-only MR images using conditional score-based diffusion models with application in training of accelerated MRI reconstruction models

기술 요약: 조건부 점수 기반 확산 모델을 이용한 크기만 MRI 이미지로부터 위상 맵 합성

문제 제기
가속화된 자기공명영상 (MRI) 을 위한 딥러닝 (DL) 기반 이미지 재구성 모델의 훈련은 대규모이고 다양한 원시 k-공간 (푸리에 영역) 데이터 세트를 필요로 합니다. 그러나 대부분의 임상 환경에서는 저장 공간 제약과 환자 프라이버시 우려로 인해 원시 k-공간 데이터가 폐기되며, 크기만 있는 이미지 (일반적으로 DICOM 형식) 만 보관됩니다. 크기만 있는 이미지에 순방향 푸리에 변환을 적용하면 "유효한"k-공간 데이터가 생성되지만, MRI 에서 본질적으로 0 이 아닌 위상 정보의 부재는 중요한 특징들을 무시하게 되어 종종 열악한 재구성 성능으로 이어집니다. 기존 문헌은 소규모 훈련 데이터셋이나 몇몇 오픈 소스 k-공간 저장소에 국한되어 있었습니다. 합성 데이터가 DL 기반 MRI 에서 일반화를 향상시키는 것으로 입증되었음에도 불구하고, 생성적对抗 네트워크 (GAN) 와 같은 기존 생성 접근법은 훈련 불안정성과 편향된 결과로 고통받고 있습니다. 대규모 훈련 데이터셋을 생성하기 위해 크기만 있는 이미지로부터 현실적인 위상 맵을 합성할 수 있는 견고한 생성 방법이 필요합니다.

방법론
저자들은 크기만 있는 이미지로부터 현실적인 MRI 위상 맵을 합성하기 위해 **조건부 점수 기반 확산 모델 (SBDMs)**을 활용하는 새로운 프레임워크를 제안합니다. 이 파이프라인은 세 가지 주요 단계로 구성됩니다:

1. SBDM 훈련: 위상 맵 ($x$) 의 사후 분포를 크기 이미지 ($y$) 를 조건으로 모델링하는 것을 목표로 하는 연속 확산 과정이 구축됩니다. 저자들은 분산 폭발 (VE)-SDE 형식을 채택하여, 분산 보존 (VP)-SDE 보다 더 나은 샘플 품질을 산출함을 경험적으로 관찰했습니다. 이 모델은 ncsnpp 아키텍처 (BigGAN 잔차 블록을 갖춘 U-Net 변형) 를 기반으로 한 시간 의존적 점수 함수 네트워크 ($s_\theta$) 를 사용하며, 슬라이스된 점수 매칭을 통해 훈련됩니다. 네트워크는 크기와 연결된 노이즈가 있는 위상 맵을 제거하는 법을 학습합니다.
2. 위상 맵 합성: 훈련이 완료되면 SBDM 은 입력된 크기만 있는 이미지에 해당하는 현실적인 위상 맵을 생성합니다. 이러한 합성된 위상 맵은 원래의 크기 이미지와 결합되어 전체 복소수 k-공간 데이터를 재구성합니다.
3. 하류 평가: 합성된 위상 맵의 품질을 평가하기 위해, 저자들은 합성된 k-공간 데이터를 사용하여 VarNet(DL 기반 가속 MRI 재구성 모델) 을 훈련합니다. 그런 다음 이 VarNet 을 실제 k-공간 데이터 (fastMRI 데이터셋에서 유래) 로 테스트하여 재구성 충실도를 평가합니다.

제안된 방법은 세 가지 기준선과 비교됩니다:

• 단순/부드러운 (Naïve/Smooth): 가우시안 분포에서 샘플링된 위상 맵과 결합된 크기 이미지.
• GAN: 최첨단 GAN 접근법을 사용하여 합성된 위상 맵.
• 실제 정답 (Ground Truth, GT): 실제 원시 k-공간 데이터에서 유도된 위상 맵.

주요 기여

• MRI 위상 합성을 위한 SBDM 의 최초 적용: 저자들의 지식 범위 내에서, 이는 크기만 있는 MR 이미지로부터 위상 맵을 합성하기 위해 점수 기반 확산 모델의 적용을 탐구하는 첫 번째 작업입니다.
• 데이터 증강 전략: 이 방법은 널리 이용 가능한 크기만 있는 이미지 레지스트리로부터 대규모이고 다양한 k-공간 훈련 데이터셋을 생성할 수 있게 하여, 원시 k-공간 데이터의 부족 문제를 해결합니다.
• 종합적 평가: 본 연구는 생성 모델을 시각적 유사성 (Fréchet Inception Distance, FID 사용) 에만 국한하지 않고, 하류 재구성 작업에서의 유용성, 즉 정량적 지표 (SSIM, PSNR, NRMSE) 와 질적 충실도 (환각된 특징의 존재) 를 모두 측정하여 평가합니다.

결과

• 생성 품질: SBDM 은 FID 점수 측면에서 GAN 접근법을 크게 능가했습니다. 무릎 데이터셋의 경우 FID 는 SBDM 이 5.46 인 반면 GAN 은 40.65 였으며, 뇌 데이터셋의 경우 SBDM 이 3.46, GAN 이 32.08 이었습니다. 질적으로, GAN 에서 유도된 위상 맵은 실제 정답에 존재하지 않는 오류가 있는 날카로운 패턴과 노이즈를 보인 반면, SBDM 출력은 더 현실적이었습니다.
• 재구성 성능: SBDM 합성 k-공간 데이터로 훈련된 VarNet 모델은 다양한 가속 인자 ($R \in \{2, 3, 4, 6\}$) 와 자동 보정 영역 크기에 걸쳐 실제 정답 k-공간 데이터로 훈련된 모델과 거의 동일한 성능을 달성했습니다.
• 기준선과의 비교:
  • 단순 (부드러운 위상) 접근법은 낮은 가속 인자에서는 SBDM 과 유사한 성능을 보였으나 가속도가 증가함에 따라 심각하게 저하되었습니다.
  • GAN 기반 접근법은 일부 경우 NRMSE 와 같은 정량적 지표에서 SBDM 과 유사한 결과를 보였으나 질적으로는 실패했습니다. 더 높은 가속 인자에서 GAN 훈련 모델은 재구성된 이미지, 특히 뇌 구조에서 "환각된" 특징 (오류가 있는 구조) 을 생성하여 진단 정확도에 부정적인 영향을 미칠 수 있었습니다.

의의 및 주장
이 논문은 제안된 SBDM 접근법이 MRI 위상 맵 합성을 위한 기존 GAN 기반 방법보다 우월하다고 주장합니다. 저자들은 NRMSE 와 같은 정량적 지표가 SBDM 과 GAN 접근법 간에 유사할 수 있지만, 재구성 충실도가 결정적인 차별화 요소임을 강조합니다. SBDM 접근법은 GAN 에서 관찰된 위험과 같이 진단 정확도를 훼손할 수 있는 오류가 있거나 환각된 특징의 생성을 방지합니다.

저자들은 "현실적인"위상 맵을 보유하는 것이 가속화된 재구성 모델을 훈련하기 위해 크기만 있는 MR 이미지 데이터베이스를 효율적으로 활용하는 데 필수적이라고 결론지었습니다. 그들은 이 작업을 임상 DL 배포에서의 "데이터셋 시프트"문제에 대한 해결책으로 위치시키며, 폐기된 원시 k-공간 데이터에 접근할 필요 없이 일반화 가능하고 고성능의 재구성 모델을 훈련하기 위해 방대하고 익명화된 크기만 있는 이미지 저장소를 활용할 수 있게 한다고 주장합니다.