[論文レビュー] Adaptive-CS-Net: FastMRI with Adaptive Intelligence

Nicola Pezzotti, Elwin de Weerdt+10 more|arXiv (Cornell University)|Dec 13, 2019

Sparse and Compressive Sensing Techniques参考文献 7被引用数 17

ひとこと要約

Adaptive-CS-Net は、UNet 形状のネットワークを用いて、データ整合性、位相挙動、背景解剖学的特徴といったドメイン固有の事前知識を反復的圧縮センシングフレームワークに統合する深層学習ベースの MR 画像再構成手法を提案する。各ステップで学習可能で適応的なコンponentsを用いて再構成を精緻化することで、最先端の性能を達成し、FastMRI チャレンジのマルチコイル 8x 速化トラックで優勝を獲得した。

ABSTRACT

Adaptive intelligence aims at empowering machine learning techniques with the extensive use of domain knowledge. In this work, we present the application of adaptive intelligence to accelerate MR acquisition. Starting from undersampled k-space data, an iterative learning-based reconstruction scheme inspired by compressed sensing theory is used to reconstruct the images. We adopt deep neural networks to refine and correct prior reconstruction assumptions given the training data. Our results show that an adaptive intelligence approach performs better than traditional methods as well as deep learning methods that do not take prior knowledge into account.

研究の動機と目的

• ドメイン固有の事前知識を深層学習モデルに統合することで、MR 画像再構成の速度と品質を向上させること。
• 物理的 MRI 事前知識を明示的にモデル化しない従来の圧縮センシングおよび標準的な深層学習手法の限界を克服すること。
• 学習された事前知識を用いて再構成誤差を動的に補正する適応的で反復的な再構成フレームワークを開発すること。
• 画像の構造的およびコントラストの忠実度を保持したまま、高加速要因（最大 10x）を達成すること。
• 特に高加速状況において、実臨床 MRI データで優れた性能を示すこと。

提案手法

• 本手法は、圧縮センシングにインspiredされた反復的学習ベースの再構成を採用し、各ステップで UNet 形状の深層ニューラルネットワークによって精緻化される。
• 各反復において、ネットワークは特徴マップに学習可能なソフトしきい値関数を適用し、再構成誤差の適応的補正を可能にする。
• ネットワークの入力には、現在の画像推定値に加え、ドメイン固有の事前知識として、データ整合性（eb,k）、位相挙動（eϕ,k）、および背景位置（ebg,k）が含まれる。
• 2.5次元学習戦略により、ターゲットスライスとその隣接スライスを同時に再構成することで、スライス間相関を活用する。
• 損失関数にはマルチスケール SSIM（α=0.84）と L1 ノルムを組み合わせ、構造的詳細と輝度を保持する。監視は中央スライスにのみ適用される。
• 最適化には RAdam を使用し、学習率を 10−4 に徐々に減少させ、2台の RTX 8000 GPU を用いてバッチサイズ 6 で学習を行う。

実験結果

リサーチクエスチョン

• RQ1 データ整合性や位相挙動といったドメイン固有の事前知識の明示的統合が、深層学習ベースの MR 再構成を改善できるか？
• RQ2 学習された事前知識を用いた適応的・反復的精緻化は、高加速 MRI において標準的なエンドツーエンド深層学習に比べてどのように優れているか？
• RQ3 2.5次元学習によるスライス間相関の統合は、高加速要因下での再構成品質をどの程度向上させるか？
• RQ4 構造的事前知識を備えた学習可能で反復的なフレームワークは、従来の圧縮センシングおよび非適応的深層学習手法を上回れるか？
• RQ5 マルチスケール SSIM と L1 損失を組み合わせることで、再構成画像における構造的および明るさの忠実度がどのように維持されるか？

主な発見

• Adaptive-CS-Net は FastMRI チャレンジのマルチコイル 8x 速化トラックで最高の性能を達成し、他のすべての手法を上回った。
• 本モデルは、2x から 10x の加速要因をカバーするシングルコイルおよびマルチコイルデータセットで学習・評価され、スケールにわたる頑健性を示した。
• データ整合性、位相挙動、背景位置といったドメイン事前知識の使用により、自己補正メカニズムが実現され、再構成精度が向上した。
• 2.5次元学習アプローチは、スライス間相関を効果的に活用し、スライス1枚あたりの計算コストを増加させることなく、再構成品質を向上させた。
• マルチスケール SSIM と L1 損失の組み合わせ（α=0.84）により、構造的詳細と輝度が効果的に保持され、再構成画像における一様なバイアスが低減された。
• 8x および 10x の加速でも高品質な再構成が達成され、診断可能な画像品質を維持した超高速 MRI の実現可能性を確認した。