[論文レビュー] A review and experimental evaluation of deep learning methods for MRI reconstruction

Arghya Pal, Yogesh Rathi|arXiv (Cornell University)|Sep 17, 2021

Advanced MRI Techniques and Applications被引用数 6

ひとこと要約

本論文は、画像ドメインおよびk空間ベースのアプローチに焦点を当てた、MRI再構成を高速化するための深層学習（DL）手法のレビューと実験的評価を実施する。DLベースの手法は、古典的手法と比較して、画像品質の向上とアーティファクトの低減を顕著に示しており、特に知覚的損失関数および複素数値損失設計による一般化性能の向上が顕著である。

ABSTRACT

Following the success of deep learning in a wide range of applications, neural network-based machine-learning techniques have received significant interest for accelerating magnetic resonance imaging (MRI) acquisition and reconstruction strategies. A number of ideas inspired by deep learning techniques for computer vision and image processing have been successfully applied to nonlinear image reconstruction in the spirit of compressed sensing for accelerated MRI. Given the rapidly growing nature of the field, it is imperative to consolidate and summarize the large number of deep learning methods that have been reported in the literature, to obtain a better understanding of the field in general. This article provides an overview of the recent developments in neural-network based approaches that have been proposed specifically for improving parallel imaging. A general background and introduction to parallel MRI is also given from a classical view of k-space based reconstruction methods. Image domain based techniques that introduce improved regularizers are covered along with k-space based methods which focus on better interpolation strategies using neural networks. While the field is rapidly evolving with plenty of papers published each year, in this review, we attempt to cover broad categories of methods that have shown good performance on publicly available data sets. Limitations and open problems are also discussed and recent efforts for producing open data sets and benchmarks for the community are examined.

研究の動機と目的

• 急速に増加するMRI再構成のための深層学習手法の体系的統合と要約を通じて、現在の最先端のアプローチを包括的に概説すること。
• 画像ドメインおよびk空間ベースのアーキテクチャに焦点を当て、公開済みデータセットを用いたDLベースのMRI再構成手法の性能を評価すること。
• 一般化、データ要件、収束パラメータの変更に対する耐性といった、現在のDL手法における制限要因と未解決課題を特定すること。
• 異なる手法間の公平で再現可能な比較を可能にするために、オープンデータセットおよびベンチマーク作成の最近の取り組みを検討すること。
• 診断用途に不可欠な病理的データおよび低SNRデータにおける性能を評価することで、DLベース再構成の臨床的実用性を評価すること。

提案手法

• 本論文は、DL手法を主に2種類に分類する：データ分布を学習する生成モデルと、アンダーサンプリング済みk空間から高品質なMR画像への逆写像を学習する非生成モデル。
• 画像ドメイン手法の評価では、ニューラルネットワークを学習された正則化子として用い、再構成の忠実性を向上させ、アーティファクトを低減する。
• k空間ベース手法の検討では、従来の線形または非線形手法よりも、欠落したk空間ラインの補間に効果的にニューラルネットワークを適用する。
• L2、SSIMに加え、新規の知覚的損失関数（L_perp）を含むさまざまな損失関数を分析し、位相一貫性とマグニチュード保存を重視することで、微細なディテール回復が向上することを示す。
• 標準化されたベンチマーク（例：fastMRIデータセット）を用いて、さまざまなアンダーサンプリングパターンや加速係数に対する公平な評価を実施する。
• 特に複数の受信コイルを用いた並列イメージングの文脈において、U-Netの変種、残差接続、アテンションメカニズムといったアーキテクチャの革新を検討する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのMRI再構成手法は、古典的手法（圧縮センシングや並列イメージング）と比較して、画像品質およびアーティファクト低減の観点でどのように異なるか？
• RQ2 微細な解剖的ディテールを保存する観点で、複素数値MRI再構成における深層学習モデルの訓練に最も効果的な損失関数は何か？
• RQ3 深層学習モデルは、トレーニング時に見なかったスキャンパラメータ、解像度の変更、またはトレーニング時とは異なる解剖的領域に対して、どの程度一般化できるか？
• RQ4 現在の深層学習手法における主な制限要因は何か。特に、データ要件、病理への耐性、臨床現場への導入可能性の観点から検討する。
• RQ5 オープンデータセットおよび標準化されたベンチマークは、MRI再構成における異なる深層学習手法間の再現性と公平な比較をどのように向上させるか？

主な発見

• 提案された知覚的損失関数 L_perp は、位相一貫性を重視し、マグニチュードバイアスを低減することで、微細なディテールの再構成を著しく向上させるとともに、収束を加速する。
• AUTOMAP などの一部の深層学習モデルは、自然画像でトレーニングされたにもかかわらず、未確認データへの一般化性能が顕著であるが、メモリ制限のため高解像度MRIへの応用は制限される。
• 最先端のモデルは fastMRI 膝データセットにおいて優れた画像品質を達成しているが、低SNRおよび病理的データにおける性能は依然として限定的であり、さらなる検証が必要である。
• 現在のDL手法はトレーニングデータの分布に極めて敏感であり、トレーニングセットとは異なる解像度、視野、アンダーサンプリングパターンのデータに対してテストすると性能が著しく低下する。
• 多様なサンプリング方式を備えた標準化された完全な生データが不足していることが、公平なベンチマークの実現を妨げる主要な障壁である。過去に加速済みのデータが使用されると、結果がバイアスを受ける可能性がある。
• 十分なデータが利用可能な場合、GAN やベイジアンネットワークは微細な解剖的ディテールを再構成可能であるが、大規模かつ多様なデータセットを必要とし、未確認の臨床状況への一般化は難しい場合がある。