[論文レビュー] Automating Motion Correction in Multishot MRI Using Generative Adversarial Networks

Siddique Latif, Muhammad Asim+3 more|arXiv (Cornell University)|Nov 24, 2018

Advanced MRI Techniques and Applications参考文献 5被引用数 14

ひとこと要約

本論文は、反復的モーショントラッキングを回避するGANベースのエンドツーエンドフレームワークを提案し、14°までのモーショングレードにおいて高精度な画像再構成を達成するとともに、最先端手法と比較して再構成時間を2桁以上短縮した。

ABSTRACT

Multishot Magnetic Resonance Imaging (MRI) has recently gained popularity as it accelerates the MRI data acquisition process without compromising the quality of final MR image. However, it suffers from motion artifacts caused by patient movements which may lead to misdiagnosis. Modern state-of-the-art motion correction techniques are able to counter small degree motion, however, their adoption is hindered by their time complexity. This paper proposes a Generative Adversarial Network (GAN) for reconstructing motion free high-fidelity images while reducing the image reconstruction time by an impressive two orders of magnitude.

研究の動機と目的

• 画像品質の低下と臨床的誤診のリスクを引き起こすマルチショットMRIにおけるモーションアーチファクトの課題に対処すること。
• 臨床応用の制限要因となっている、従来の反復的モーション補正手法の高い計算コストを克服すること。
• 明示的なモーショングレード推定を経由せずに、モーションフリーな画像を直接再構成するエンドツーエンドのGANフレームワークを構築すること。
• 最先端手法と同等またはそれ以上の画像再構成精度を維持しつつ、再構成時間を短縮すること。
• 深層生成モデルを臨床的MRI応用におけるモーション補正に適用可能であることを実証すること。

提案手法

• エンコーダ・デコーダ構造とスキップ接続を備えたU-Netベースの生成器ネットワークを採用し、モーションに汚染されたMRI画像を再構成する。
• 生成器のエンコーダと同一構造を持つディスクリミネータネットワークを用い、敵対的学習の枠組みで本物画像と生成画像を区別する。
• GANの訓練にはミニマックス目的関数を用いる：min_G max_D E_x[log(D(x))] + E_y[log(1 - D(G(y)))]、ここでxは汚染済み画像、yは補正済み画像である。
• 合成されたモーション汚染データ上で敵対的学習を開始する前に、生成器を事前学習することで収束を加速する。
• k-spaceの摂動とセグメンテーションを含む3段階プロセスを用いて、BRATS 2015データセットから合成的にモーション汚染k-spaceデータを生成する。
• GANによるモーション補正に備えて、画像を入力する前に標準的なCG SENSE再構成を適用し、エンドツーエンド学習を可能にする。

実験結果

リサーチクエスチョン

• RQ1 反復的モーショングレード推定を経由せずに、GANベースのフレームワークがマルチショットMRIにおけるモーションアーチファクトを効果的に補正できるか？
• RQ2 提案手法のGANベースのアプローチは、最先端の反復的モーション補正手法と比較して、画像品質および再構成速度の面で優れているか？
• RQ3 モーショングレードが増加するに従い、GANは最大14°までのモーショングレードで高精度な再構成をどの程度達成できるか？
• RQ4 エンドツーエンドのGANフレームワークは、従来のモーション補正パイプラインと比較して、計算時間の大幅な短縮を達成できるか？
• RQ5 公開データセットからの合成モーション汚染データを用いて、頑健なモーション補正モデルを効果的に訓練できるか？

主な発見

• 5°のモーショングレードにおいて、PSNRが31.82 dB、SSIMが0.95に達し、低～中程度のモーショングレードでも高精度な再構成が可能であることが示された。
• 14°のモーショングレードでも、PSNRが26.82 dB、SSIMが0.90を維持しており、重度の劣化にもかかわらず高い耐性を示した。
• 先行研究[3]の10°までの補正限界を上回り、14°までのモーショングレードで効果的に補正を実行できた。
• 再構成時間は1スキャンあたり0.22～0.34秒に短縮され、[3]の114～152秒と比較して100倍の高速化が達成された。
• 定量的評価では、GANによって生成された画像が[3]の結果よりもシャープで、特に微細な解剖的構造の保持が優れていた。
• 明示的なモーショングレード推定を必要とせず、計算オーバーヘッドを顕著に低減する点で、GANフレームワークの有効性が裏付けられた。