Contrast-Informed Augmentation and Domain-Adversarial Training for Adult-to-Neonatal MR Reconstruction Generalization

기술 요약: 성인-신생아 MR 재구성을 위한 대조도 정보 기반 증강 및 도메인 적대적 학습

문제 정의
딥러닝(DL) 기반 자기공명(MR) 재구성 방식은 기존의 물리 기반 알고리즘에 비해 고도로 언더샘플링된 k-스페이스 데이터로부터 고품질 이미지를 복원하는 데 탁월한 성능을 보여주었다. 그러나 이러한 모델의 임상 도입은 훈련 분포 외부의 데이터(도메인 시프트)에 대한 낮은 일반화 성능으로 인해 저해되고 있다. 이는 특히 백질과 회백질 사이의 대조도 반전, 해부학적 규모의 차이, 낮은 신호 대 잡음비(SNR)와 같은 뚜렷한 특성을 가진 신생아 영상에서 매우 치명적이며, 이러한 특성들은 성인 데이터로 훈련된 모델의 성능을 저하시킨다. 또한, 신생아용 로우 멀티 코일 k-스페이스 데이터셋의 공개적 가용성이 부족하기 때문에, 타겟 도메인의 훈련 데이터 없이도 타겟 도메인 간의 간극을 메울 수 있는 강력한 전략이 필요하다.

방법론
본 연구는 성인에서 신생아 MR 재구성으로의 일반화를 개선하기 위해 **대조도 정보 기반 증강(contrast-informed data augmentation)**과 **도메인 적대적 학습(domain-adversarial training, DAT)**을 결합하는 것의 효용성을 조사하였다. 실험 설계는 세 가지 훈련 체계를 비교하였다:

1. Unaug-Only: 증강되지 않은 성인 데이터로만 훈련 (대조군).
2. Mixed: 증강되지 않은 성인 데이터와 신생아 특성을 모사하도록 증강된 성인 데이터를 혼합하여 훈련.
3. Mixed-DAT: 동일한 혼합 데이터셋을 사용하되, 도메인 적대적 목적 함수를 포함하여 훈련.

데이터 증강 프로토콜:
대조도 정보 기반 증강 파이프라인은 성인 T2 강조 슬라이스에 적용되었다. 여기에는 다음 과정이 포함된다:

• 멀티 채널 k-스페이스 데이터를 이미지 공간으로 변환하고 코일 결합(coil-combining) 수행.
• k-평균 클러스터링(k-means clustering)을 사용하여 조직을 백질, 회백질, 뇌척수액(CSF)으로 분할.
• 신생아 T2 대조도를 모사하기 위해 백질과 회백생의 강도를 반전.
• 신생아 이미지 특성을 근사하기 위해 공간적 평활화(spatial smoothing) 및 리스케일링 적용.
• 수정된 이미지를 모델 입력용 멀티 채널 k-스페이스로 다시 투영.

도메인 적대적 학습 (DAT):
Mixed-DAT 체계에서는 E2E-VarNet의 최종 정밀화 모듈의 봇틀넥(bottleneck) 레이어에 도메인 판별기(domain discriminator)를 부착하였다. 특징 추출기와 판별기 사이에 경사 역전 레이어(Gradient Reversal Layer, GRL)를 삽격하였다. 판별기는 입력을 "증강되지 않은" 것 또는 "증강된" 것으로 분류하도록 훈련되었으며, 재구성 네트워크는 재구성 손실(SSIM)을 최소화하고 GRL을 통해 도메인 분류 손실을 최대화하도록 훈련되었다. 이러한 적대적 설정은 네트워크가 증강에 의해 정의된 도메인 차이에 무감각한 도메인 불변 특징 표현을 학습하도록 유도하였다.

데이터셋 및 평가

• 훈련: fastMRI 데이터셋에서 추출한 55개의 성인 T2 강조 볼륨 (훈련용 50개, 검증용 5개). 신생아 데이터는 훈련, 검증 또는 하이퍼파라미터 선택에 사용되지 않았다.
• 테스트: P3 코호트 연구(Alberta Children's Hospital)에서 추출한 30개의 신생아 T2 강조 볼륨 및 별도로 분리된 성인 테스트 세트.
• 지표: 가속 계수 $R=4$ 및 $R=8$에서 구조적 유사도 지수(SSIM) 및 피크 신호 대 잡음비(PSNR)를 이용한 정량적 평가. 정성적 평가는 임상 과학자에 의해 수행되었다. 잠재 특징 표현은 t-SNE 시각화를 통해 분석되었다.

주요 결과

• 신생아 일반화: Mixed 및 Mixed-DAT 체계 모두 신생아 테스트 세트에서 Unaug-Only보다 우수한 성능을 보였다.
  • $R=4$에서, Mixed-DAT가 가장 우수한 성능을 달성했다 (SSIM: $0.924 \pm 0.027$; PSNR: $33.98 \pm 1.15$ dB).
  • $R=8$에서, Mixed-DAT가 가장 높은 SSIM($0.848 \pm 0.031$)을 기록한 반면, Mixed는 가장 높은 PSNR($29.56 \pm 0.83$ dB)을 기록했다.
• 성인 도메인 유지: 성인 테스트 세트에서 Unaug-Only와 Mixed는 유사하게 수행되었다. Mixed-DAT는 특히 PSNR에서 미세한 성능 저하를 보였는데, 이는 신생아 일반화를 개선하는 과정에서 성인 도메인 특이성이 다소 감소하는 트레이드오프(trade-off)가 발생했음을 시사한다.
• 특징 분석: t-SNE 시각화 결과, Mixed 모델은 증강된 특징과 증강되지 않은 성인 특징 사이에 부분적인 분리를 보였으나, Mixed-DAT 모델은 이러한 특징들의 중첩을 증가시켰다. 결정적으로, Mixed-DAT 모델에서 추출된 신생아 테스트 특징은 Mixed 모델에 비해 두 성인 유래 도메인 모두와 실질적으로 더 많이 중첩되었으며, 이는 특징 공간의 분리 가능성이 감소했음을 시ver한다.
• 정성적 평가: $R=4$에서 모든 모델은 임상적 해석에 적절한 것으로 간주되었으며, Mixed-DAT가 가장 높게 평가되었다. $R=8$에서는 어떤 모델도 자신감 있는 임상적 해석을 위해 완전히 적절하다고 간주되지 않았으나, Mixed-DAT가 다른 모델들에 비해 블러링(blurring)이 적고 대조도 구분이 개선된 모습을 보였다.

의의 및 주장
본 논문은 대조도 정보 기반 증강과 도메인 적대적 학습의 결합이 신생아 영상과 같이 과소 대표된 도메인에서 딥러닝 기반 MR 재구성의 강건성을 향상시키는 유망한 전략이라고 주장한다. 저자들은 다음과 같이 상정한다:

1. 신생아 특성을 모사하도록 성인 데이터를 증강하는 것은 일반화를 개선하기 위해 훈련 분포를 효과적으로 확장한다.
2. 적대적 목적 함수를 추가하면, 네트워크가 증강에 의해 도입된 특정 도메인 차이에 불변하는 표현을 학습하도록 강제함으로써 일반화를 더욱 강화한다.
3. (t-SNE를 통해 확인된) 실제 신생아 데이터와 성인 유래 훈련 분포 사이의 특징 공간 분리 감소는 DAT가 도메인 차이에 대한 민감도를 줄인다는 가설을 뒷받식한다.

본 연구는 이러한 방법들이 재구성 지표와 특징 정렬을 개선하지만, 높은 가속 계수($R=8$)에서의 임상적 해석 가능성 문제를 아직 완전히 해결하지는 못한다고 결론짓는다. 저자들은 관찰된 이점이 제안된 증강 및 적대적 프레임워크에 특화되어 있음을 강조하며, 임상 도입 전 데이타 적응형(prospective) 검증과 DAT 관련 일반화 메커니즘에 대한 추가 조사를 촉구한다.