[論文レビュー] Complementary Time-Frequency Domain Networks for Dynamic Parallel MR Image Reconstruction

Chen Qin, Jinming Duan+8 more|arXiv (Cornell University)|Dec 22, 2020

Advanced MRI Techniques and Applications参考文献 43被引用数 6

ひとこと要約

本論文では、補完的時間周波数（x-f）および空間時間的画像（x-t）ドメインにおける空間時間的冗長性を活用することで、高度にアンダーサンプルされた動的並列MRIを共同で再構成する深層学習フレームワークであるCTFNetを提案する。繰り返し変数分割アルゴリズムを再帰的ニューラルネットワークに埋め込むことで、最先端の画像品質と再構成速度を達成し、2.8秒の再構成時間で16×および24×の加速率で1回の呼吸保持で2次元心筋シンエノグラフィを実現する。

ABSTRACT

Purpose: To introduce a novel deep learning based approach for fast and high-quality dynamic multi-coil MR reconstruction by learning a complementary time-frequency domain network that exploits spatio-temporal correlations simultaneously from complementary domains. Theory and Methods: Dynamic parallel MR image reconstruction is formulated as a multi-variable minimisation problem, where the data is regularised in combined temporal Fourier and spatial (x-f) domain as well as in spatio-temporal image (x-t) domain. An iterative algorithm based on variable splitting technique is derived, which alternates among signal de-aliasing steps in x-f and x-t spaces, a closed-form point-wise data consistency step and a weighted coupling step. The iterative model is embedded into a deep recurrent neural network which learns to recover the image via exploiting spatio-temporal redundancies in complementary domains. Results: Experiments were performed on two datasets of highly undersampled multi-coil short-axis cardiac cine MRI scans. Results demonstrate that our proposed method outperforms the current state-of-the-art approaches both quantitatively and qualitatively. The proposed model can also generalise well to data acquired from a different scanner and data with pathologies that were not seen in the training set. Conclusion: The work shows the benefit of reconstructing dynamic parallel MRI in complementary time-frequency domains with deep neural networks. The method can effectively and robustly reconstruct high-quality images from highly undersampled dynamic multi-coil data ($16 imes$ and $24 imes$ yielding 15s and 10s scan times respectively) with fast reconstruction speed (2.8s). This could potentially facilitate achieving fast single-breath-hold clinical 2D cardiac cine imaging.

研究の動機と目的

• 高次元のアンダーサンプルk空間データを用いた動的並列MRIにおける高速かつ高品質な再構成の課題に対処すること。
• 収束が遅くハイパーパrameterチューニングに敏感であるという従来の圧縮センシング手法の限界を克服すること。
• 空間時間的冗長性を、空間時間周波数（x-f）ドメインと空間時間的画像（x-t）ドメインという補完的ドメインの情報を統合することで、より効果的に活用すること。
• 未学習のスキャナーパラメータや病理的データに対しても一般化性の高い深層学習モデルを開発すること。
• 高加速率を実現しつつ高速な再構成を可能にすることで、臨床的実用可能な1回の呼吸保持による2次元心筋シンエノグラフィを実現すること。

提案手法

• 動的MRI再構成を、x-f（空間時間的フーリエ）ドメインおよびx-t（空間時間的画像）ドメインの両方で正則化された多変数最小化問題として定式化する。
• 変数分割と交互最小化に基づく反復的アルゴリズムを導出し、x-f空間およびx-t空間におけるエイリアシング除去ステップを交互に実行し、閉形式のデータ整合性ステップと重み付き結合ステップを含む。
• 反復的最適化プロセスを再帰的ニューラルネットワーク（RNN）に埋め込み、再構成プロセスのエンドツーエンド学習を可能にする。
• 時間軸にわたる周波数ドメインおよび画像ドメインの両方で同時にデータを処理することで、補完的空間時間的相関を学習的に活用する。
• 重み付き結合メカニズムにより、両ドメイン間の整合的な更新を保証し、再構成の忠実度を向上させる。
• 多コイル心筋シンエノグラフィの高次元アンダーサンプルデータ上でエンドツーエンドに訓練し、臨床的利用を想定した再構成速度を最適化する。

実験結果

リサーチクエスチョン

• RQ1 補完的時間周波数ドメインと空間時間的ドメインにおける共同学習が、高加速動的MRIの再構成品質を向上させ得るか？
• RQ2 CTFNetモデルは、最先端の圧縮センシングおよび深層学習手法と比較して、画像品質および再構成速度の面でどのように差をつけるか？
• RQ3 トレーニングデータに含まれない異なるスキャナーや未知の病理状態を有するデータに対し、モデルはどの程度一般化可能か？
• RQ4 本手法により、16×および24×の加速率で臨床的実用可能な1回の呼吸保持による2次元心筋シンエノグラフィが可能になるか？
• RQ5 実臨床環境における動きやデータの不整合に対して、モデルはどの程度頑健か？

主な発見

• CTFNetは、定量的指標（例：PSNR、SSIM）および定性的な視覚的評価の両面で、最先端の圧縮センシングおよび深層学習手法を上回る性能を達成した。
• 16×および24×の加速率で高品質な再構成が可能であり、それぞれ15秒および10秒のスキャン時間に対応し、1回の呼吸保持による心筋シンエノグラフィを実現した。
• 再構成時間はわずか2.8秒であり、従来の反復的手法に比べて顕著に高速であった。
• 異なるスキャナーやトレーニング時に見られなかった病理的症例に対しても、良好な一般化性能を示した。
• 再構成画像上の左心室機能評価では、基準基準と比較して許容範囲内のバイアスと分散が得られ、臨床的妥当性を示した。
• 動きやデータの不整合に対してもモデルは頑健であり、セグメンテーションベースの評価において最小限の誤差蓄積が観察された。