[論文レビュー] An Adaptive Intelligence Algorithm for Undersampled Knee MRI Reconstruction: Application to the 2019 fastMRI Challenge

Nicola Pezzotti, Sahar Yousefi+10 more|arXiv (Cornell University)|Apr 15, 2020

Advanced MRI Techniques and Applications参考文献 43被引用数 13

ひとこと要約

この論文は、深層学習と圧縮センシングの原則を組み合わせた適応的知能アルゴリズムを提案し、アンダーサンプリングされた膝MRIデータを再構築する。2019年 fastMRI チャレンジのデータセットを用いて訓練されたドメインに適したニューラルネットワークにより、事前再構築仮定を精緻化することで、8倍、4倍のマルチコイル、および4倍のシングルコイル再構築トラックでそれぞれ#1（並び#1）および#3の順位を達成し、最先端の性能を発揮した。

ABSTRACT

Adaptive intelligence aims at empowering machine learning techniques with the additional 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. The network was trained and tested on a knee MRI dataset from the 2019 fastMRI challenge organized by Facebook AI Research and NYU Langone Health. All submissions to the challenge were initially ranked based on similarity with a known groundtruth, after which the top 4 submissions were evaluated radiologically. Our method was evaluated by the fastMRI organizers on an independent challenge dataset. It ranked #1, shared #1, and #3 on respectively the 8x accelerated multi-coil, the 4x multi-coil, and the 4x single-coil track. This demonstrates the superior performance and wide applicability of the method.

研究の動機と目的

• 高次アンダーサンプリングされたk空間データからの高品質な再構築を可能にすることで、MRイメージングの高速化を図ること。
• ドメイン固有の知識を深層学習モデルに統合し、再構築の忠実性と一般化能力を向上させること。
• 訓練データを用いて初期仮定を段階的に改善する反復的学習ベースの再構築フレームワークの開発。
• 限られた訓練データとアンダーサンプリングMRIにおけるノイズの課題に対処するため、適応的知能を活用すること。
• 特に高加速状況において、ベンチマークデータセットで優れたパフォーマンスを達成すること。

提案手法

• 本手法は、圧縮センシング理論にインspiredされた反復的学習ベースの再構築方式を採用し、アンダーサンプリングされたk空間データから画像を再構築する。
• 深層ニューラルネットワークを用いて、訓練データに基づき初期再構築仮定を精緻化・是正し、ドメイン知識を統合する。
• ネットワークは、Facebook AI Research と NYU Langone Health が共同で主催した2019年 fastMRI チャレンジの膝MRIデータセットを用いて訓練された。
• マルチコイルおよびシングルコイルの取得データを処理できるように設計されており、臨床現場への広範な適用性を有する。
• 予測値と真値画像の差を最小化するエンドツーエンドの訓練により、再構築品質を最適化する。
• 入力k空間パターンに基づき、ネットワークの動作を動的に調整することで、さまざまな加速要因（例：4倍、8倍）に適応する。

実験結果

リサーチクエスチョン

• RQ1 適応的知能を統合することで、ドメイン固有の知識を深層学習ベースのMRI再構築に統合し、性能を向上させることができるか？
• RQ2 既存の最先端技術と比較して、本手法は高加速要因（例：8倍）下でも優れた性能を示すか？
• RQ3 ネットワークが事前仮定を精緻化する能力が、アンダーサンプリングデータにおける再構築精度をどの程度向上させるか？
• RQ4 本手法は、さまざまなコイル構成（シングルコイル対マルチコイル）および加速レベルにおいて、どの程度一般化可能か？
• RQ5 過学習を避けて、訓練分布に依存しない独立テストデータにおいてもトップクラスのパフォーマンスを達成できるか？

主な発見

• 8倍加速マルチコイルトラックで最高順位を達成し、最終評価で#1の位置を獲得した。
• 4倍マルチコイルトラックでも#1の位置を共有し、高加速状況下でも強力な性能を示した。
• 4倍シングルコイルトラックでは#3の順位を記録し、さまざまな取得プロトコルにおいて一貫性のあるパフォーマンスを示した。
• ドメイン知識を深層学習に統合することで、再構築品質とロバストネスが向上することが確認された。
• 定量的類似度指標と放射線科的評価の両面で、他の提出物を上回るパフォーマンスを発揮した。
• さまざまなk空間サンプリングパターンおよびコイル構成にわたる広範な適用性を示した。