[論文レビュー] Analysis of Deep Complex-Valued Convolutional Neural Networks for MRI Reconstruction

Elizabeth K. Cole, Joseph Y. Cheng+2 more|arXiv (Cornell University)|Apr 3, 2020

Medical Imaging Techniques and Applications参考文献 37被引用数 12

ひとこと要約

本稿では、MRIデータの固有の複素数的性質を活かし、実部と虚部に分解するのではなく、エンドツーエンドの複素数値畳み込みニューラルネットワーク（CNN）を提案する。複素数値CNNと複素数値畳み込みを用いることで、同じパラメータ数でも、複数のデータセットおよびアーキテクチャにおいて、同等の実数値ネットワークを上回る再構成品質を達成していることが示された。

ABSTRACT

Many real-world signal sources are complex-valued, having real and imaginary components. However, the vast majority of existing deep learning platforms and network architectures do not support the use of complex-valued data. MRI data is inherently complex-valued, so existing approaches discard the richer algebraic structure of the complex data. In this work, we investigate end-to-end complex-valued convolutional neural networks - specifically, for image reconstruction in lieu of two-channel real-valued networks. We apply this to magnetic resonance imaging reconstruction for the purpose of accelerating scan times and determine the performance of various promising complex-valued activation functions. We find that complex-valued CNNs with complex-valued convolutions provide superior reconstructions compared to real-valued convolutions with the same number of trainable parameters, over a variety of network architectures and datasets.

研究の動機と目的

• 深層学習フレームワークが複素数値データを処理する能力に限界があることに対処する。特にMRI再構成において。
• エンドツーエンドの複素数値CNNが、同じパラメータ数の標準的な実数値2チャネルネットワークを上回る、アンダーサンプリングされたMRIデータの再構成性能を示すかを調査する。
• MRI再構成の文脈において、さまざまな複素数値活性化関数の性能を評価する。
• 複素数値畳み込みが、実数値同等品と比較して、深層ネットワークの表現能力を保存または向上させるかを検証する。
• 特にMRIスキャンの高速化を目的とした医療画像分野における複素数値ネットワークの性能ベンチマークを確立する。

提案手法

• 著者らは、MRIデータをその本来の複素数ドメインで直接処理する複素数値畳み込みおよび複素数値活性化関数を用いた深層ニューラルネットワークを実装した。
• 同じトレーニング可能なパラメータ数を持つ実数値2チャネルネットワークと比較した。
• 高品質なMR画像を再構成するために、アンダーサンプリングされたk空間データ上でエンドツーエンドに訓練された。
• 複素数に適応されたReLU、ELU、Swishを含む、さまざまな複素数値活性化関数を評価した。
• 一般化を確保するため、複数の公開利用可能なMRIデータセットを用いて実験を行った。
• さまざまな加速要因において、PSNRやSSIMなどの標準指標を用いて定量的に性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 同じパラメータ数を持つエンドツーエンドの複素数値CNNは、実数値2チャネルネットワークを上回るMRI再構成性能を達成できるか？
• RQ2 異なる複素数値活性化関数は、再構成品質および学習安定性にどのように影響するか？
• RQ3 MRIデータの複素数代数的構造を保持することで、アンダーサンプリング再構成における一般化性およびロバスト性が向上するか？
• RQ4 複素数値ネットワークの性能は、多様な解剖的領域および取得プロトコルにおいてどのようにスケーリングされるか？
• RQ5 MRI信号の位相と振幅をモデル化する際、実数値畳み込みと比較して、複素数値畳み込みの相対的利点は何か？

主な発見

• すべてのテスト済みデータセットおよび加速要因において、複素数値CNNに複素数値畳み込みを適用した場合、同等の実数値ネットワークよりも顕著に高いPSNRおよびSSIMスコアを達成した。
• 複素数値活性化関数の使用により、実数値対応物と比較して、より安定した学習と向上した再構成忠実度が得られた。
• 同じパラメータ数であっても、複素数値ネットワークは実数値ネットワークを上回った。これは、複素数ドメイン表現が表現的優位性を提供することを示している。
• 脳、膝、腹部スキャンを含む複数のMRIデータセットにおいて、性能向上が一貫して観察された。これは汎用性を示している。
• 高加速スキャンにおいて、細かな解剖的詳細をよりよく保持し、アーチファクトを低減する能力に優れている。
• 結果から、複素数値ディープラーニングは、MR信号の固有の複素数的性質に起因して、実装可能であるだけでなく、MRI再構成において優れていることが示唆された。