Synthetic Generation and Latent Projection Denoising of Rim Lesions in Multiple Sclerosis
Created by
Haebom
저자
Alexandra G. Roberts, Ha M. Luu, Mert \c{S}i\c{s}man, Alexey V. Dimov, Ceren Tozlu, Ilhami Kovanlikaya, Susan A. Gauthier, Thanh D. Nguyen, Yi Wang
개요
본 논문은 다발성 경화증(MS) 진단 및 예후 예측에 사용되는 자기 공명 영상(MRI)의 정량적 감수성 지도(QSM)를 연구합니다. 특히, QSM은 상자성 철이 침착된 "테두리" 병변과 "비테두리" 병변을 구분하는 데 유용합니다. 상자성 테두리 병변(PRLs)은 MS의 새로운 바이오마커로 주목받고 있으며, 이의 검출 및 분할을 위한 연구가 활발히 진행 중입니다. 본 논문에서는 PRLs의 희귀성으로 인한 클래스 불균형 문제를 해결하기 위해, 합성 QSM을 생성하는 생성적 적대 신경망(GAN)을 제시합니다. 합성 데이터를 활용하여 분류 성능을 향상시키고, 다중 채널 확장을 통해 추가적인 대조 및 확률적 분할 지도를 생성합니다. 또한, 훈련된 GAN의 투영 기능을 이용하여 모호한 테두리 병변 라벨을 제거하는 새로운 잡음 제거 방법을 제안하여 소수 클래스를 증가시킵니다. 실험 결과, 합성 병변 생성 및 잡음 제거 방법이 실제 PRLs 분포를 잘 근사하고 임상적으로 해석 가능한 방식으로 검출 성능을 향상시킨다는 것을 보여줍니다. 제작된 코드와 데이터는 공개적으로 제공합니다.
시사점, 한계점
•
시사점:
◦
다발성 경화증의 상자성 테두리 병변(PRLs) 검출 및 분할 성능 향상에 기여.
◦
클래스 불균형 문제 해결을 위한 합성 데이터 생성 및 잡음 제거 기법 제시.
◦
임상적으로 해석 가능한 방식으로 PRLs 검출 성능 향상.
◦
생성된 코드와 데이터 공개를 통한 연구 재현성 및 확장성 확보.
•
한계점:
◦
GAN 기반 합성 데이터의 현실 데이터와의 차이 및 일반화 성능에 대한 추가적인 검증 필요.
