[論文レビュー] All-in-One Deep Learning Framework for MR Image Reconstruction

Geunu Jeong, Hyeonsoo Kim+3 more|arXiv (Cornell University)|May 6, 2024

Medical Imaging Techniques and Applications被引用数 7

ひとこと要約

Context Enhanced U-Net モデルが、複数の k-space 次元とベンダーにまたがって MR 画像を再構成し、調整可能なノイズ除去、多方向性超解像、および多様なプロトコルと加速戦略への幅広い適合性を実現します。

ABSTRACT

We introduce a novel, all-in-one deep learning framework for MR image reconstruction, enabling a single model to enhance image quality across multiple aspects of k-space sampling and to be effective across a wide range of clinical and technical scenarios. This DICOM-based algorithm serves as the core of SwiftMR (AIRS Medical, Seoul, Korea), which is FDA-cleared, CE-certified, and commercially available. We first detail the comprehensive development process of the model, including data collection, training pair preparation, model architecture design, and DICOM inference. We then assess the model's capability to enhance image quality in a multi-dimensional manner, specifically across various aspects of k-space sampling. Subsequently, we evaluate several features of the multi-dimensional enhancement: the accuracy of tunable denoising, the effectiveness of super-resolution in each encoding direction, and the reduction of artifacts that become more prominent at lower spatial resolutions. Additionally, we assess its compatibility with various scan parameter sets and its generalizability across scanner vendors not seen during training. Finally, we present specific cases demonstrating the model's utility in reducing scan time across anatomical regions in conjunction with protocol optimization. The proposed model is compatible with a broad spectrum of scenarios, including various vendors, pulse sequences, scan parameters, and anatomical regions. Its DICOM-based operation particularly enhances its applicability for real-world applications. Given its demonstrated effectiveness and versatility, we expect its use to expand in the field of clinical MRI.

研究の動機と目的

• 多様な k-space 採取次元と臨床シナリオ全体で高品質な MR 再構成の必要性を動機づけ、解決する。
• 複数の劣化パターンと再構成手順に適応できる、DICOM ベースのオールインワン DL フレームワークを開発する。
• Context Enhanced U-Net (CE U-Net) を提案し、コンテキストデータを統合して調整可能な denoising および多次元の改善を実現する。
• ベンダー、パルス系列、スキャンパラメータ、および未知のデータセットとの広範な互換性を示し、スキャン時間短縮の可能性を含む。

提案手法

• ノイズ、k_max、部分フーリエ、楕円サンプリングといった複数の次元に沿って生データの k-space を劣化させ、再構成ステップをシミュレートして多様な input–target ペアを作成する。
• 標準化モジュールと Dynamic Modulation Pathway を備えた CE U-Net アーキテクチャを用い、文脈データを中間層へ注入する。
• 別個の 2D および 3D ネットワークを訓練する（3D はスライス方向の超解像を有効にするために七枚のスライススタックを使用）。
• k-space 採取パラメータを含む文脈入力と、調整可能な denoising を可能にする明示的に導出されたノイズ低減係数を提供する。
• L1 損失を ADAM 最適化と学習率スケジュールとともに適用してネットワークパラメータを最適化する。
• 標準化のための関連タグを抽出して、適切なネットワークへ入力をルーティングする DICOM ベースの推論を実行する。

実験結果

リサーチクエスチョン

• RQ1 単一の DL モデルは、複数の k-space 採取次元と再構成ステップにわたって MR 画像品質を改善できるのか？
• RQ2 文脈データの統合は、 MR 再構成における調整可能な denoising および多次元の改善にどのような影響を与えるのか？
• RQ3 未知のベンダーや異なるスキャンパラメータ構成に対してモデルは一般化できるか？
• RQ4 プロトコル最適化と組み合わせた場合、実際のスキャン時間短縮に寄与できるか。

主な発見

• このモデルは、連続的な次元を追加することにより多次元の強化を可能にする（ノイズ低減、周波数の k_max、位相部分フーリエ、位相の k_max、スライスの k_max）。
• 調整可能な denoising 係数は、平均信号レベルを変えずに測定ノイズを対応する程度低減させる。
• 全エンコーディング方向のエッジ鋭さは DLR で約 2.5 倍向上し、スライス方向の超解像と方向横断の利得を示唆する。
• DLR は低空間分辨のアーティファクト（トランケーションや intravoxel dephasing）を低減し、特にスライス方向の超解像時に効果的。
• このフレームワークは、k-space 採取と再構成パラメータが異なる8件の脳スキャン、および未知のベンダー3社に対しても有効であることから、広範な適合性を示している。
• 複数領域での標準プロトコルと加速プロトコルの画像は、DLR 後にノイズ低減と全体的な画質向上を示し、スキャン時間短縮の可能性を示唆している。