[論文レビュー] Compressed Sensing MRI Reconstruction with Cyclic Loss in Generative Adversarial Networks.

Tran Minh Quan, Thanh Nguyen-Duc+1 more|arXiv (Cornell University)|Sep 3, 2017

Advanced MRI Techniques and Applications被引用数 20

ひとこと要約

本稿では、サイクル損失とチェーン型残差アーキテクチャを組み合わせた、高速で高精度な圧縮センシングMRI再構成を実現する深層生成的対抗ネットワーク、RefineGANを提案する。1wayのフォワード推論とデータ整合性損失を活用することで、RefineGANは10%のk-spaceサンプリングレートですら、100ms未塔の再構成時間を達成し、最先端の手法を上回る画像品質を実現する。

ABSTRACT

Compressed Sensing MRI (CS-MRI) has provided theoretical foundations upon which the time-consuming MRI acquisition process can be accelerated. However, it primarily relies on iterative numerical solvers which still hinders their adaptation in time-critical applications. In addition, recent advances in deep neural networks have shown their potential in computer vision and image processing, but their adaptation to MRI reconstruction is still in an early stage. In this paper, we propose a novel deep learning-based generative adversarial model, RefineGAN, for fast and accurate CS-MRI reconstruction. The proposed model is a variant of fully-residual convolutional autoencoder and generative adversarial networks (GANs), specifically designed for CS-MRI formulation; it employs deeper generator and discriminator networks with cyclic data consistency loss for faithful interpolation in the given under-sampled k-space data. In addition, our solution leverages a chained network to further enhance the reconstruction quality. RefineGAN is fast and accurate -- the reconstruction process is extremely rapid, as low as tens of milliseconds for reconstruction of a 256x256 image, because it is one-way deployment on a feed-forward network, and the image quality is superior even for extremely low sampling rate (as low as 10%) due to the data-driven nature of the method. We demonstrate that RefineGAN outperforms the state-of-the-art CS-MRI methods by a large margin in terms of both running time and image quality via evaluation using several open-source MRI databases.

研究の動機と目的

• 反復的ソルバーに依存する従来の圧縮センシングMRI（CS-MRI）手法の遅い推論速度を解決すること。
• 従来の手法が失敗するような極めて低いサンプリングレート（例：10%）においても、CS-MRIの画像再構成品質を向上させること。
• 深層学習とデータ整合性制約を統合することで、アンダーサンプリングされたk-space再構成における忠実度を向上させること。
• 時間的に重要な臨床応用に適した、高速で1wayの推論フレームワークを開発すること。

提案手法

• MRI再構成を目的とした、生成的対抗ネットワーク（GANs）と統合された完全な残差畳み込みオートエノードのRefineGANを提案する。
• 特徴表現と再構成忠実度の向上を図るため、より深い生成器および識別器ネットワークを採用する。
• 再構成画像とアンダーサンプリングされたk-spaceデータの間の整合性を強制するために、サイクルデータ整合性損失を導入する。
• マルチステージの特徴学習を通じて段階的に画像品質を向上させるために、チェーン型ネットワークアーキテクチャを採用する。
• 極めて高速な再構成（256×256画像あたり数十ミリ秒）を可能にする1wayのフォワード推論メカニズムを導入する。
• 深層学習のデータ駆動的性質を活かし、多様なMRI解剖学的構造とサンプリングパターンに一般化可能である。

実験結果

リサーチクエスチョン

• RQ1 サイクル整合性損失を備えたGANベースのアーキテクチャは、低サンプリングレートにおけるCS-MRIの再構成精度を顕著に向上させることができるか？
• RQ2 RefineGANの1wayフォワード推論は、反復的ソルバーと比較して、速度と画像品質の面でどのように異なるか？
• RQ3 チェーン型残差ネットワークアーキテクチャは、標準的なU-Netやオートエノード設計と比較して、再構成忠実度をどの程度向上させるか？
• RQ4 提案手法は、極めて低いアンダーサンプリングレート（例：10%）においても、既存の最先端手法と比較して優れた性能を維持できるか？

主な発見

• RefineGANは256×256のMRI画像に対して、数十ミリ秒という再構成時間を達成し、リアルタイム臨床利用を可能にする。
• 本手法は、画像品質と計算効率の両面で、最先端のCS-MRI技術を顕著に上回る。
• 10%のサンプリングレートでも、RefineGANは挑戦的な解剖的領域においても優れた構造的およびテクスチャ的忠実度を維持する。
• サイクル整合性損失はk-spaceデータ整合性を効果的に強制し、アーチファクトを低減し、再構成精度を向上させる。
• チェーン型ネットワーク設計により特徴の精錬が促進され、知覚的および定量的画像品質が向上する。
• オープンソースのMRIデータベースを用いた実証的評価により、複数の指標（例：PSNR、SSIM）において一貫した優位性が確認された。