Deep learning is a powerful data-driven approach based on artificial neural networks with representation learning. Especially, supervised learning approaches have shown outstanding performances in the several applications of industrials and researches. In medical image fields, supervised learning shows great potentials in image reconstruction and lesion segmentation. However, as a common issue in supervised learning, the good quality of label data should be prepared as ground-truth to make a neural network achieve high performance. In medical image fields where collecting ground-truth labels is difficult or even impossible, supervised learning approaches might have limited performances and be not applicable to real clinical practices.
Tissue quantification and lesion segmentation are two typical tasks of image processing in magnetic resonance imaging (MRI). In this study, unsupervised deep learning algorithms for the two tasks are proposed, which do not use ground-truth information in training phases but provide acceptable performances. In the case of the quantification of tissue characteristics, simulated training data are generated by modeling MR signals and are used to train a neural network. Test experiments with in-vivo MR images demonstrated that the generated simulation data could reflect actual in-vivo environments and could play a successful role as training data. The results show that the proposed approach is more accurate and higher computational efficiency than conventional quantification approaches. In the case of lesion segmentation, an unsupervised algorithm is proposed by using multi-contrast MRI information. By learning the normal tissue characteristics of MRI, anomalies distinct from normal tissues are detected as lesion area. Experimental results showed that the proposed method could perform lesion segmentation without pixel-level annotation labels. Also, the proposed method could provide higher accuracy than the state-of-the-art approaches. Details are explained in the main manuscript.
딥 러닝은 인공 신경망을 기반으로 하는 효율적인 데이터 기반의 표현화 방법이다. 라벨 데이터를 활용하는 지도 딥 러닝 방식은 여러 산업 및 연구 응용 분야에서 뛰어난 성과를 보여주었으며 본 연구분야에 해당하는 의료 영상의 재구성 및 병변 분할 분야에서도 큰 잠재력을 보여주어 왔다. 하지만, 지도 딥 러닝 방법이 높은 성능을 달성하기 위해서는 높은 품질 및 많은 양의 라벨 데이터가 필요하게 되며, 라벨 데이터를 획득하기 어려운 의료 영상 분야에서는 라벨 데이터의 부족으로 딥 러닝 방법의 성능이 제한될 수 있다. 이 문제는 지도 딥 러닝 방식들의 공통된 한계점이다.
뇌 자기공명영상에서 조직 정량화 및 병변 분할은 대표적인 영상처리 과정이다. 본 연구에서는 이 두 가지 과정을 수행하는 비지도 딥 러닝 알고리즘을 각각 제안한다. 기존의 지도 딥 러닝 방법들이 가지고 있는 한계점을 극복하기 위해서 학습 단계에서 라벨 데이터를 사용하지 않으면서도 유효한 성능을 보이는 비지도 딥 러닝 알고리즘을 개발하였다. 조직 정량화 어플리케이션의 경우 시뮬레이션을 통해 자기공명 신호를 수식화하였고 이를 이용하여 학습 데이터를 만들었다. 이렇게 만들어진 다량의 데이터를 이용하여 신경망을 학습하였고 실제로 획득한 임상 영상에 적용하였다. 정량적인 분석을 통해서 제안하는 자기공명 신호의 모델이 실제 생체 조직의 환경을 잘 반영하고 있는 것을 확인하였으며, 학습된 신경망이 성공적으로 조직 정량화를 수행하는 것을 확인하였다. 또한, 기존의 방법보다 계산 측면에서 효율이 높음을 확인하였다. 병변 분할의 경우 다중 대조도를 가지는 자기공명영상을 활용하여 비지도 학습 방법을 제안하였다. 제안하는 방법은 자기공명영상의 정상 조직 특성을 학습하고 이렇게 학습된 정상 조직과 구별되는 영역을 병변 영역으로 검출한다. 실험 결과는 제안하는 방법이 픽셀 수준 병변 분할을 비지도 방식으로 수행 할 수 있음을 증명하였다. 최근에 개발된 방법들과 비교 실험을 수행하였고 그 결과 제안하는 방법이 더 높은 정확도를 보이는 것을 확인하였다.
