[論文レビュー] Adversarial Robust Training in MRI Reconstruction.

Francesco Calivá, Kaiyang Cheng+2 more|arXiv (Cornell University)|Oct 30, 2020

Advanced X-ray and CT Imaging被引用数 4

ひとこと要約

本論文では、微小な解剖的特徴への感受性を高めることで、深層学習ベースのMRI再構成の性能を向上させるための敵対的ロバストトレーニングを提案する。微小構造を標的とした敵対的摂動を生成し、再構成ネットワークのファインチューニングを行うことで、軟骨および半月板損傷の偽陰性率を4.8%から顕著に低減し、臨床的信頼性を向上させた。

ABSTRACT

Deep Learning has shown potential in accelerating Magnetic Resonance Image acquisition and reconstruction. Nevertheless, there is a dearth of tailored methods to guarantee that the reconstruction of small features is achieved with high fidelity. In this work, we employ adversarial attacks to generate small synthetic perturbations that when added to the input MRI, they are not reconstructed by a trained DL reconstruction network. Then, we use robust training to increase the network's sensitivity to small features and encourage their reconstruction. Next, we investigate the generalization of said approach to real world features. For this, a musculoskeletal radiologist annotated a set of cartilage and meniscal lesions from the knee Fast-MRI dataset, and a classification network was devised to assess the features reconstruction. Experimental results show that by introducing robust training to a reconstruction network, the rate (4.8\%) of false negative features in image reconstruction can be reduced. The results are encouraging and highlight the necessity for attention on this problem by the image reconstruction community, as a milestone for the introduction of DL reconstruction in clinical practice. To support further research, we make our annotation publicly available at this https URL.

研究の動機と目的

• 深層学習ベースのMRI再構成における微小解剖的特徴の高忠実度再構成を保証する手法の不足に対処すること。
• 敵対的ロバストトレーニングが、軟骨や半月板損傷のような微細構造へのネットワーク感受性を向上させられるかどうかを調査すること。
• ロバストトレーニングの一般化能力を、膝MRIにおける臨床的に関連性のある実世界の特徴に評価すること。
• 今後の研究を支援するため、放射線科医がアノテートした損傷の公開データセットを提供すること。

提案手法

• k-space MRIデータ内の特定の微小特徴を標的にする、小さく人間には感知できない敵対的摂動を生成し、再構成を妨害する。
• 敵対的例を用いて深層学習再構成ネットワークを訓練することで、微細な詳細へのロバスト性と感受性を向上させる。
• 臨床的関連性を高めるために、筋骨格系放射線科医がFast-MRIデータセット内の軟骨および半月板損傷をアノテートする。
• 再構成画像上で分類ネットワークを別途訓練し、特徴の検出可能性と再構成忠実度を評価する。
• 敵対的摂動下での再構成損失を最小化するように再構成ネットワークを最適化することで、ロバストトレーニングを実施する。
• アノテート済みデータセットを用いて、ロバストトレーニング手法の実世界臨床的特徴への一般化を評価する。

実験結果

リサーチクエスチョン

• RQ1 敵対的ロバストトレーニングは、MRIにおける微小解剖的特徴の再構成忠実度を向上させることができるか？

主な発見

• 敵対的ロバストトレーニングにより、MRI再構成における微小特徴の偽陰性率が顕著に低減され、偽陰性率が4.8%削減された。
• 提案手法は、軟骨や半月板損傷のような微細な解剖的構造へのネットワーク感受性を向上させた。
• ロバストトレーニングを経た後に再構成画像上で訓練された分類ネットワークは、損傷の検出性能が向上した。
• 放射線科医がアノテートした膝MRI損傷のデータセットは公開されており、再現性および臨床的MRI再構成分野における今後の研究を可能にする。
• ロバストトレーニングは実世界の臨床的特徴へ一般化可能であり、深層学習ベースのMRI再構成における臨床的実用性を示唆している。