Image space formalism of convolutional neural networks for k-space interpolation
Created by
Haebom
저자
Peter Dawood, Felix Breuer, Istvan Homolya, Maximilian Gram, Peter M. Jakob, Moritz Zaiss, Martin Blaimer
개요
본 논문은 k-공간 보간을 위한 스캔 특이적 강건 인공 신경망(RAKI)을 이용한 영상 재구성에서의 잡음 복원력이 k-공간의 비선형 활성화 함수와 관련되어 있음을 다룹니다. 이 관계에 대한 깊이 있는 이해를 얻기 위해, RAKI의 영상 공간 형식을 도입하여 잡음 전파를 분석적으로 분석하고, 영상 재구성 특징을 식별 및 특성화하며, 사람이 이해할 수 있는 방식으로 비선형 활성화 함수의 역할을 설명합니다. k-공간의 비선형 활성화 함수를 활성화 마스크와의 요소별 곱셈으로 표현하여 영상 공간에서의 합성곱으로 변환하는 영상 공간 형식을 사용하여 RAKI 추론을 수행합니다. 앨리어싱 제거 및 코일 결합된 영상의 앨리어싱된 코일 영상에 대한 자코비안을 대수적으로 표현하여 잡음 증폭을 분석적으로 정량화(g-인자 맵)합니다. Leaky ReLU의 음의 기울기 매개변수를 통해 재구성 모델의 비선형성 정도를 제어하여 잡음 복원력에 대한 비선형성의 역할을 분석합니다. 분석적 g-인자 맵은 Monte Carlo 시뮬레이션 및 자동 미분 기법을 통해 얻은 생체 내 뇌 영상 결과와 일치합니다. 뚜렷한 흐릿함과 대조도 손실 아티팩트는 향상된 잡음 복원력의 결과로 확인됩니다. 이러한 잔여 아티팩트는 제한된 훈련 데이터의 경우 모델의 비선형성 정도를 조정(티호노프 유사 규제화)하여 잡음 복원력과 상호 교환될 수 있습니다. 영상 공간 활성화 검사는 자기상관 패턴을 드러내 잠재적인 중앙 아티팩트로 이어집니다. 결론적으로, RAKI의 영상 공간 형식은 분석적 정량적 잡음 전파 분석과 k-공간에서 비선형 활성화 함수의 영향에 대한 사람이 이해할 수 있는 시각화를 제공합니다.
시사점, 한계점
•
시사점:
◦
RAKI의 영상 공간 형식을 통해 잡음 전파를 분석적으로 분석하고 시각화할 수 있는 새로운 방법을 제시.
◦
비선형 활성화 함수의 역할을 명확히 이해하고, 잡음 복원력과 아티팩트 발생 간의 상호 작용을 정량적으로 분석.
◦
제한된 훈련 데이터 상황에서 비선형성 정도를 조절하여 잡음 복원력과 아티팩트를 조절 가능.
•
한계점:
◦
제시된 분석적 방법은 특정한 활성화 함수(Leaky ReLU)와 RAKI 모델에 국한될 수 있음.
