MRI 영상 조화를 위한 타겟 데이터 불필요 방법

A Target-Free Harmonization Method for MRI

MRI 영상에서 스캔 매개변수, 시퀀스 또는 하드웨어의 차이는 동일한 피험자에게서도 영상의 외관에 불일치를 초래할 수 있습니다. 이러한 불일치는 도메인 시프트라고 알려져 있으며, 특정 타겟 도메인의 데이터로 학습된 딥러닝 모델의 성능을 저하시키고 영상 분석을 방해할 수 있습니다. MRI 영상 조화는 이러한 문제를 해결하기 위해 소스 도메인 영상을 타겟 도메인 영상에 맞춰 조정하면서 해부학적 구조와 같은 생물학적 정보를 보존하는 것을 목표로 합니다. 그러나 대부분의 기존 조화 방법은 학습 또는 테스트 시에 소스 및 타겟 도메인 데이터 모두에 접근해야 합니다. 이러한 의존성은 기관 간 데이터 공유를 유발하며, 환자 프라이버시에 대한 우려를 제기하고 임상 환경에서 실제로 적용될 수 있는 조화 방법의 범위를 크게 제한합니다. 이러한 제한 사항을 극복하기 위해, 타겟 도메인 데이터가 필요 없고 데이터 공유가 없는 타겟 데이터 불필요 시나리오에 적합한 조화 프레임워크인 TgtFreeHarmony를 소개합니다. TgtFreeHarmony는 소스 기관 내에서 프라이버시를 보호하는 조화를 가능하게 합니다. 우리의 접근 방식은 분리 학습 기반 생성기를 사용하여 구성된 MRI 도메인 스타일의 다양체를 탐색하여 타겟 도메인 스타일을 추정하며, 이는 타겟 도메인 데이터로 학습된 다운스트림 작업 모델의 성능을 기반으로 하는 베이지안 최적화에 의해 안내됩니다. 우리는 여러 기관에서 뇌 조직 분할 작업에 대한 우리의 방법을 평가했으며, 소스 이미지를 타겟 이미지로 효과적으로 조화시켜 다운스트림 작업의 성능을 향상시켰음을 보여주었습니다. TgtFreeHarmony는 타겟 도메인 데이터에 대한 접근 없이 조화를 가능하게 하여 데이터 프라이버시를 보존하는 새로운 조화 방향을 제시하며, 이는 임상 환경에서 실제로 적용될 수 있습니다.

In MRI, variations in scan parameters, sequence, or hardware can lead to discrepancies in image appearance, even for the same subject. These inconsistencies, known as domain shifts, can hinder image analysis and degrade the performance of deep learning models trained on data from specific target domains. MRI image harmonization aims to address these issues by aligning source domain images to the target domain images while preserving biological information such as anatomical structures. However, most existing harmonization approaches require access to both source and target domain data in training or test time. This dependence induces data sharing between institutions, raising concerns about patient privacy and substantially limiting the harmonization approaches that can be practically deployed in clinical settings. To overcome these limitations, we introduce TgtFreeHarmony, the harmonization framework tailored for target-free scenarios, eliminating the need for target domain data and any data sharing, enabling privacy-preserving harmonization directly within the source institution. Our approach estimates the target domain style by searching the manifold of MRI domain style constructed via a disentanglement-based generator using Bayesian optimization guided by the performance of a downstream task model, which is trained on target domain data. We evaluated our method on the brain tissue segmentation task across multiple institutes and demonstrated that it effectively harmonizes source images into target images, leading to improved downstream task performance. By enabling harmonization without any access to target-domain data, TgtFreeHarmony establishes a new direction of harmonization preserving data privacy that can be realistically deployed within clinical environments.