뇌 MRI에 QQ 모델을 이용한 DNN 기반 산소추출률 예측 방법

Ⅰ. 서 론

뇌 질환은 전 세계적으로 10대 사망원인으로 꼽을 만큼 치명적인 질환이다. 특히 뇌졸중은 전 세계 사망원인 2위이며, 한국에서도 암, 심장질환에 이어 사망원인 4위를 차지하고 있다[1]. 환자의 뇌 질환을 예방하거나 치료하기 위해서는 정확한 진단이 필요하며 자기공명영상(MRI, Magnetic Resonance Imaging), 컴퓨터 단층촬영 등은 생리학적 진단에 사용되는 데이터를 확보하기 위해 활용된다. 이러한 데이터를 이용한 진단 기법 중에는 조직 내에서 사용되는 혈액 내 산소 사용률을 분석하는 방법이 있다. 이를 통해 뇌 조직의 활성화 여부를 판단하고 정상 여부를 추정할 수 있다.

뇌 조직에서 산소 사용률은 산소추출률(OEF, Oxygen Extraction Fraction)을 이용해서 알 수 있다. QUIXOTIC[2], Calibrated fMRI[3], qBOLD(quantitative Blood Oxygenation Level Dependent)[4], QQ[5] 등 모델이 OEF 예측을 위해 제안되었고, 특정한 가정을 하지 않는 QQ 모델을 기반으로 효율적 OEF 예측을 위해 클러스터 기반 분석이나 딥러닝을 도입한 연구도 수행되고 있다[6]-[10].

안정적이고 정확도가 향상된 OEF 예측의 필요성과 딥러닝 적용에 대한 요구가 증가하고 있어서, 본 논문에서는 QQ 모델에 대하여 DNN을 구성한 후에 뇌 MRI로 수집한 신호 데이터를 이용하여 OEF를 예측하는 방법을 제안한다. DNN 모델은 1개의 입력 계층, 4개의 은닉 계층, 1개의 출력 계층으로 구성하였다. 또한 17명의 환자 데이터로 모델의 학습 및 검증을 진행하였다. 기존 방법들과 다르게 DNN 기반 딥러닝을 도입하였고 성능 향상을 위한 최적화를 통하여 정확도 향상을 모색하였다.

본 논문의 구성은 다음과 같다. 2장에서 관련 연구를 요약하고, 3장에서 제안하는 DNN 기반 OEF 예측 방법을 설명한다. 4장에서 실험 및 분석 결과를 기술하고 5장에서 결론을 제시한다.

Ⅱ. 관련 연구

인간의 뇌에서 산소 소모량은 20%를 차지하는 만큼 뇌와 산소는 밀접한 관계가 있다. 뇌의 산소 사용률은 혈류 및 OEF에서 알 수 있어서 OEF는 다수의 뇌 질환에서 유용한 바이오마커로 사용되고 있다. 특히 최근에는 진단을 위해 사용하는 MRI 기술 발전으로 OEF를 측정하기 위해서 이를 이용한 방법이 연구되고 있다. OEF 측정의 최적 표준으로 여겨지는 15OPET에 비해 MRI 기반 OEF 측정 기술은 비침습적이고 방사선이 없으며, 더 광범위하게 사용할 수 있다는 장점이 있다[11].

Ⅲ. 뇌 MRI에서 QQ 모델을 이용한 DNN 기반 OEF 예측 방법

본 절에서는 빠르고 정확한 OEF 계산을 위해서 뇌 MRI에 대해서 QQ 모델을 기반으로 DNN(Deep Neural Network)을 이용하여 OEF를 예측하는 방법을 제안한다.

3.2 DNN 모델

본 논문에서 설계한 DNN 모델의 구조를 그림 1에 나타내었다. 여러 구조를 설계한 후에 실험을 진행하여 적합한 깊이의 모델을 선정하였고 최적화를 수행하였다.

Fig. 1.

Structure of DNN model for predicting OEF

에코 시간에서 7개의 MRI 신호값과 1개의 자화율을 의미하는 입력 8개에 대응하는 8개 노드의 입력 계층을 생성하였고, 은닉 계층은 총 4개를 생성하였다. 노드 개수를 512개에서 점점 줄여 QQ 모델의 입력 파라미터에 대응하는 5개 노드의 출력 계층을 생성하였다.

은닉 계층에서 노드 개수를 줄여가며 Dense 계층을 쌓았고, 과적합 문제를 해소하기 위해 배치 정규화 처리를 반복적으로 수행하였다. 또한 가중치 업데이트를 위한 활성화 함수는 LeakyReLU를 적용하여 양수값은 유지하며, 음수값은 0.01로 스케일링 처리를 하였다.

Ⅳ. 실험 결과 및 분석

제안하는 방법은 인텔 i7-7700 CPU, nVidia RTX 3090 GPU, 32GB RAM 하드웨어 및 Windows 10 Pro 운영체제에서 Tensorflow의 Keras로 구현하였다.

4.1 학습과 검증 정확도

DNN 모델의 학습은 256 배치 크기로 최대 100 Epoch으로 진행하였다. 또한, 학습 과정에서 검증 데이터의 손실값에 변화가 없으면 학습을 조기 종료하도록 하였다.

표 1에는 각 Epoch에 따른 OEF 예측 RMSE 정확도와 손실률을 나타내었다. RMSE 및 Loss가 급격히 수렴하는 특성을 보이는 것을 알 수 있다. 19 Epoch에서 Loss가 0.03%로 가장 작았고, 24 Epoch에서 0.27 RMSE로 높은 정확도를 갖고 있었으나 수렴한 이후에는 다른 Epoch과 RMSE와 Loss의 차이가 크지 않은 것을 알 수 있다. 이와 같은 차이는 학습을 계속 수행하며 학습 데이터가 변경되는 것에 의하여 발생하는 미세한 차이이다.

Table 1.

Prediction RMSE and loss rate at each epoch

4.2 평가 정확도

OEF 예측을 위해 학습된 제안하는 DNN 모델에 대하여 학습과 검증에 사용하지 않은 환자 11명의 평가 데이터를 사용하여 평균 RMSE를 계산하여 성능 평가를 진행하였다.

DNN 모델의 출력은 OEF를 예측하는데 필요한 정맥 산소포화도를 포함하여 QQ 모델의 5개 매개변수로서 성능을 확인하기 위해서는 Ground Truth 데이터와 출력된 데이터의 비교가 필요하다. 표 2에는 Ground Truth 데이터와 출력된 데이터에 대한 RMSE를 제시하였다. TE 0에서 신호 세기 S₀, BOLD 효과가 없는 조직의 가로 이완 R₂, 정맥 산소포화도 Y, 정맥 혈액량 v, 비혈류 물질의 자화율 χ_nb를 높은 정확도로 예측하는 것을 알 수 있다.

Table 2.

RMSE of DNN model for evaluation data

표 3은 전체 환자 데이터에 대하여 학습 데이터 포함 여부, 실제와 예측한 OEF 차이에 대한 RMSE를 나타낸다. 코넬대학교 의과대학 데이터셋은 MRI 신호값에 SNR=100 수준의 가우시안 잡음이 포함되어서 RMSE 오류가 필수적으로 발생한다. 학습에 사용한 데이터의 경우 평균적 OEF RMSE는 5.77이지만 학습에 사용하지 않은 데이터의 경우 6.00으로 약간 RMSE 오류가 증가하는 것을 알 수 있다.

Table 3.

RMSE of OEF prediction for each patients

그림 2에 Ground Truth와 뇌 MRI 신호에서 DNN 모델을 이용하여 예측한 OEF를 도시하였다. 예측한 OEF가 Ground Truth와 상당한 수준으로 일치하는 것을 알 수 있다.

Fig. 2.

Ground truth and OEF prediction result of proposed method

표 4에 기존 CAT 방법[7], CCM 방법[6]과 제안하는 방법에 대하여 OEF 예측에 대한 평균 RMSE를 정리하였다. 동일한 코넬대학교 의과대학의 데이터셋에서 학습과 평가에 사용한 환자의 번호는 차이가 있으나, 제안하는 방법이 높은 수준의 RMSE 정확도를 갖고 있음을 확인할 수 있다.

Table 4.

Comparison of OEF RMSE for CAT method, CCM method and proposed method

실험 결과를 통하여 뇌 MRI에 대해서 QQ 모델을 이용하여 DNN 기반 딥러닝 모델로 OEF를 효율으로 계산할 수 있는 것을 알 수 있고, 기존 클러스터 기반 CCM 방법[6] 및 CAT 방법[7]에 비해 높은 정확도를 달성할 수 있는 것을 확인할 수 있다.

Ⅴ. 결론 및 향후 과제

뇌 질환의 진단 기법 중 조직 내에서 사용되는 혈액 내 산소 사용률을 파악하는 방법이 있다. 이를 활용하여 뇌 조직의 활성화 여부를 판단하고 정상 여부를 추정할 수 있다.

산소 사용률 파악을 위해서는 조직 내 산소추출률(OEF)의 계산이 필요하다. 현재까지 OEF를 계산하기 위한 다양한 알고리즘이 제시되었지만, 딥러닝 모델을 사용한 연구는 초기 단계로 아직 활발히 진행되지 않고 있다.

본 논문에서는 QQ 모델을 기반으로 DNN 모델을 구성하여 뇌 MRI를 통해 수집한 8개의 신호 데이터를 통해 QQ 모델의 매개변수를 추정하고 OEF를 예측하는 방법을 제안하였다. 총 17명 환자의 신호 감쇄 및 자화율을 이용하여 제안한 모델에 대하여 학습과 평가를 진행하였다. 본 논문에서는 QQ 모델을 기반으로 OEF를 예측하는데 있어서 기존 방법들과 다르게 DNN 기반 딥러닝 모델을 적용하고 최적화를 수행한 것에 차별성이 있으며, 실험을 통하여 평가 데이터에 대하여 6.00 OEF RMSE 정확도를 달성하여 OEF 계산에서 딥러닝 모델이 유의미한 것을 보이는 기여를 하였다.

추후 연구에서는 뇌 질환의 더욱 정확한 진단을 위하여 제안한 DNN 모델보다 성능이 좋은 인공 네트워크 신경망을 도입하여 더 빠르고 정확한 OEF 값을 예측할 수 있는 연구가 필요하다. 또한 다양한 TE를 고려하기 위하여 뇌 MRI 신호에 대하여 일반화된 모델을 활용할 필요가 있다[13].

Acknowledgments

This research was supported by Kumoh National Institute of Technology(2022∼2023)

References

• H. Noh, J. Seo, S. Lee, N. Yi, S. Park, Y. J. Choi, and S. H, "Cause-of-death statistics in 2020 in the Republic of Korea", Journal of the Korean Medical Association, Vol. 66, No. 2, pp. 132-142, Feb. 2023. [https://doi.org/10.5124/jkma.2023.66.2.132]
• D. S. Bolar, B. R. Rosen, A. Sorensen, and E. Adalsteinsson, "Quantitative imaging of extraction of oxygen and tissue consumption (QUIXOTIC) using venular-targeted velocity-selective spin labeling", Magnetic Resonance in Medicine, Vol. 66, No. 6, pp. 1550-1562, Jun. 2011. [https://doi.org/10.1002/mrm.22946]
• R. G. Wise, A. D. Harris, A. J. Stone, and K. Murphy, "Measurement of OEF and absolute CMRO2: MRI-based methods using interleaved and combined hypercapnia and hyperoxia", NeuroImage, Vol. 83, pp. 135-147, Dec. 2013. [https://doi.org/10.1016/j.neuroimage.2013.06.008]
• X. He and D. A. Yablonskiy, "Quantitative BOLD: mapping of human cerebral deoxygenated blood volume and oxygen extraction fraction: default state", Magnetic Resonance in Medicine, Vol. 57, No. 1, pp. 115-126, Dec. 2006. [https://doi.org/10.1002/mrm.21108]
• J. Cho, Y. Kee, P. Spincemaille, T. D. Nguyen, J. Zhang, A. Gupta, S. Zhang, and Y. Wang, "Cerebral metabolic rate of oxygen (CMRO2) mapping by combining quantitative susceptibility mapping (QSM) and quantitative blood oxygenation level-dependent imaging (qBOLD)", Magnetic Resonance in Medicine, Vol. 80, No. 4, pp. 1595-1604, Mar. 2018. [https://doi.org/10.1002/mrm.27135]
• H. Y. Lee, "OEF Calculation Method through Cluster-based Classification and Matching of QQ Model on Brain MRI Images", Journal of KIIT, Vol. 18, No. 10, pp. 15-23, Oct. 2020. [https://doi.org/10.14801/jkiit.2020.18.10.15]
• J. Cho, S. Zhang, Y. Kee, P. Spincemaille, T. D. Nguyen, S. Hubertus, A. Gupta, and Y. Wang, "Cluster analysis of time evolution (CAT) for quantitative susceptibility mapping (QSM) and quantitative blood oxygen level‐dependent magnitude (qBOLD)‐based oxygen extraction fraction (OEF) and cerebral metabolic rate of oxygen (CMRO2) mapping", Magnetic Resonance in Medicine, Vol. 83, pp. 844-857, Sep. 2019. [https://doi.org/10.1002/mrm.27967]
• J. Cho, J. Zhang, P. Spincemaille, H. Zhang, S. Hubertus, Y. Wen, R. Jafari, S. Zhang, T. D. Nguyen, A. V. Dimov, A. Gupta, and Y. Wang, "QQ-NET - using deep learning to solve quantitative susceptibility mapping and quantitative blood oxygen level dependent magnitude (QSM+qBOLD or QQ) based oxygen extraction fraction (OEF) mapping", Magnetic Resonance in Medicine, Vol. 87, No. 3, pp. 1583-1594, Oct. 2021. [https://doi.org/10.1002/mrm.29057]
• S. Hubertus, S. Thomas, J. Cho, S. Zhang, Y. Wang, and L. R. Schad, "Using an artificial neural network for fast mapping of the oxygen extraction fraction with combined QSM and quantitative BOLD", Magnetic resonance in medicine, Vol. 82, No. 6, pp. 2199-2211, Jul. 2019. [https://doi.org/10.1002/mrm.27882]
• H. S. Kim, Y. U. Choi, and H. Y. Lee, "OEF Calculation on MRI Brain Image using DNN", Proc. of KIIT Conference, Jeju, Korea, pp. 471-473, Jun. 2022.
• D. Jiang and H. Lu, "Cerebral oxygen extraction fraction MRI: Techniques and applications", Magnetic Resonance in Medicine, Vol. 88, No. 2, pp. 575-600, May 2022. [https://doi.org/10.1002/mrm.29272]
• W. Yi and T. Liu, "Quantitative susceptibility mapping (QSM): decoding MRI data for a tissue magnetic biomarker", Magnetic Resonance in Medicine, Vol. 73, No. 1, pp. 82-101, Jul. 2014. [https://doi.org/10.1002/mrm.25358]
• H. Y. Lee, "OEF Calculation Algorithm using Generalized QQ Model Clustering through Brain MRI Signal Decay Modeling", Journal of KIIT, Vol. 20, No. 5, pp. 1-8, May 2022. [https://doi.org/10.14801/jkiit.2022.20.5.1]