In this study, unsupervised learning methods were proposed to accurately quantify magnetic resonance diffusion parameters. Various methods for quantifying diffusion variables using magnetic resonance imaging have been proposed. Among them, the concept of IVIM was first introduced by Le Bihan in 1988. Conventional imaging methods for quantification of perfusion, which includes information on micro blood flow, use contrast agents, whereas IVIM imaging methods can measure perfusion information without using contrast agents. Diffusion kurtosis imaging (DKI) introduced by Jensen is an imaging method that can measure the fine structural complexity of cells by measuring how far the intracellular diffusion deviates from the Gaussian distribution. Recently, the IVIM-DKI imaging method is used by combining IVIM and DKI, and diffusion parameters are measured from several diffusion weighted images.
Quantification can be more accurate with a large number of diffusion weighted images. However, since the imaging time in clinical practice is limited, it is important to acquire a limited number of images with the optimal b-values. In addition, in order to accurately quantify the diffusion parameters, different diffusion-weighted images must be accurately aligned. We have studied these two problems.
Researches to find the optimal b-values have been conducted by many researchers, where the IVIM-DKI model is mathematically simplified because the IVIM and DKI model is complicated and the process of finding diffusion parameters is a nonlinear process. We propose a method to find the optimal b-values for quantification using unsupervised learning, based on the fact that deep neural networks quantify parameters nonlinearly.
In addition, in order to solve the problem of image registration, we propose an unsupervised learning method which performs registration and quantification simultaneously. The performance of registration was improved compared to the existing methods, allowing more accurate quantification. Conventional registration methods align diffusion weighted images by increasing similarity to one reference image. However, if the image similarity is used to align the images with strongly different contrast, it can cause registration errors. The proposed method quantifies diffusion parameters and uses them to synthesize diffusion weighted images so that image similarities can be compared between the images having same contrast.
본 연구에서는 비지도 학습을 이용하여 확산 자기 공명 영상 변수를 정확히 정량화 하는 방법들을 제안하였다. 확산 변수를 정량화 하는 방법 중 하나인 IVIM 영상화 기법은 1988년도에 Le Bihan에 의해 처음 소개되었다. 미세 혈류의 정보인 관류를 측정하는 기존 영상법은 조영제를 사용하는 반면, IVIM 영상화 기법은 조영제를 사용하지 않고도 관류 정보를 측정할 수 있다. Jensen에 의해 소개된 확산 첨도 영상법 (DKI)은 세포내의 확산이 가우시안 분포로부터 얼마나 벗어났는지를 측정함으로써 세포의 미세한 구조 복잡도를 측정할 수 있다. 최근에는 IVIM과 DKI를 융합한 IVIM-DKI 영상법이 사용되고 있으며 여러 장의 확산 강조 영상을 사용하여 확산 변수들을 측정해낸다.
정확한 확산 변수들을 정량화 하기 위해서는 여러 장의 확산 강조 영상을 사용할수록 정확도가 높아진다. 하지만 임상에서 영상 획득 시간은 제한적이기 때문에 최적의 b-value를 사용하여 적은 수의 영상을 획득하는 것이 중요하다. 또한, 정확한 확산 변수 정량화를 위해서는 여러 장의 확산 강조 영상들이 정확히 정합이 되어 있어야 한다. 이 논문은 두가지 문제에 대한 연구를 진행하였다.
최적의 b-value를 찾는 연구는 기존에 많은 연구자들이 수행하였지만, 모델이 복잡하고 확산변수를 찾는 과정이 비선형 계산이기 때문에 수학적으로 모델을 간소화하여야 하는 한계점이 있다. 우리는 딥 뉴럴 네트워크가 비선형적으로 변수를 정량화 할 수 있다는 점에서 착안해 정량화를 위한 최적의 b-value를 비지도 학습을 통해 찾아내는 방법을 제안하였다. 제안하는 방법은 정량화까지 동시에 학습을 하기 때문에 정량화를 위한 추가적인 학습이 필요하지 않다.
또한, 정합의 문제를 해결하기 위해서 정합과 정량화를 동시에 수행하는 비지도 학습방법을 제안하였다. 정합의 성능을 기존 방법대비 향상시켰고 이로 인해 더욱 정확한 정량화를 가능하게 하였다. 기존의 확산 강조 영상 정합 방법들은 하나의 기준 영상과 확산 강조 영상 사이의 유사도를 높임으로써 정합을 수행하지만, 기준 영상과 확산 강조 영상 사이에 대조도가 많이 다를 때에는 정합 오차가 발생하게 된다. 제안하는 방법은 확산 변수들을 정량화 하고 이를 이용하여 다시 확산 강조 영상들을 재생성 하는 과정을 통해 같은 대조도끼리 영상 유사도를 비교할 수 있도록 한다.
