[論文レビュー] CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping

Xiaojian Xu, Weijie Gan+3 more|arXiv (Cornell University)|Oct 12, 2022

Advanced MRI Techniques and Applications被引用数 5

ひとこと要約

CoRRECTは、物理的MRIモデル、生体物理的信号モデル、および学習された事前分布を統合することで、動きによる歪みを伴う高速化されたマルチコントラストGRE-MRIデータを同時に再構築し、アーチファクトのないR2*マップを推定するディープアンフォールディングフレームワークである。実験的データにおいて、高加速率（最大×8）下でも、事前計算された補正パラメータを必要とせずに、動きおよび不均一性アーチファクトの抑制において最先端の性能を達成している。

ABSTRACT

Quantitative MRI (qMRI) refers to a class of MRI methods for quantifying the spatial distribution of biological tissue parameters. Traditional qMRI methods usually deal separately with artifacts arising from accelerated data acquisition, involuntary physical motion, and magnetic-field inhomogeneities, leading to suboptimal end-to-end performance. This paper presents CoRRECT, a unified deep unfolding (DU) framework for qMRI consisting of a model-based end-to-end neural network, a method for motion-artifact reduction, and a self-supervised learning scheme. The network is trained to produce R2* maps whose k-space data matches the real data by also accounting for motion and field inhomogeneities. When deployed, CoRRECT only uses the k-space data without any pre-computed parameters for motion or inhomogeneity correction. Our results on experimentally collected multi-Gradient-Recalled Echo (mGRE) MRI data show that CoRRECT recovers motion and inhomogeneity artifact-free R2* maps in highly accelerated acquisition settings. This work opens the door to DU methods that can integrate physical measurement models, biophysical signal models, and learned prior models for high-quality qMRI.

研究の動機と目的

• 動き、磁場不均一性、高速化撮影を別々の問題として扱う従来のqMRI手法の限界を解消すること。
• 現実のアーチファクトを伴う状況下で、MRI再構築とR2*推定を統合的に最適化するエンドツーエンドのディープラーニングフレームワークを開発すること。
• k-space整合性に基づく自己教師型学習スキームを用いることで、教師ラベルとしてのR2*マップがなくても学習を可能にする。
• 物理的測定モデル、生体物理的信号モデル、および学習された正則化を統合した統一されたディープアンフォールディングアーキテクチャを構築すること。
• 事前処理による補正ステップを必要とせず、実際の動きによる歪みを伴う高加速mGREデータにおいても、頑健な性能を発揮すること。

提案手法

• MRI再構築とR2*推定を、データ整合性ステップと事前分布モデリングステップを交互に実行するディープアンフォールディングネットワークとして定式化する。
• 各層が反復的最適化アルゴリズムのステップに対応する、モデルベースのエンドツーエンドニューラルネットワークアーキテクチャを採用する。
• トレーニング中に、現実的なアーチファクトを再現するために、動きおよび磁場不均一性モデルを前方演算子に統合する。
• 教師ラベルとしてのR2*マップが不要な自己教師型損失関数を採用し、予測されたk-spaceデータと測定済みk-spaceデータの整合性を強制する。
• 現実の動きおよび磁場不均一性を再現したシミュレーテッドデータを用いてネットワークをトレーニングし、実験的データへの一般化を可能にする。
• 推論時には、生のk-spaceデータのみを用いてトレーニング済みネットワークを実行し、事前計算された動きまたは磁場マップの必要性を排除する。

実験結果

リサーチクエスチョン

• RQ1 統一されたディープアンフォールディングフレームワークは、動きによる歪みを伴う高速化mGREデータを同時に再構築し、アーチファクトのないR2*マップを推定できるか？
• RQ2 教師ラベルとしてのR2*マップが入手不可な状況下で、自己教師型トレーニングスキームはどの程度の性能を発揮するか？
• RQ3 物理的および生体物理的モデルを統合することで、動きおよび磁場不均一性アーチファクトに対する耐性はどの程度向上するか？
• RQ4 トレーニング時に見られなかった予測不可能な動きパターンを示す実験的データに対しても、フレームワークは一般化可能か？
• RQ5 再構築とパrameter推定を統合的に最適化することで、画像品質および精度の面で、分離されたパイプラインを上回る性能が得られるか？

主な発見

• CoRRECTは、実験的データを用いた検証で、加速率が最大×8であっても、mGREデータから動きおよび磁場不均一性アーチファクトを効果的に除去した。
• ZF+NLLS、TV、RED、DUなどのベースライン手法と比較して、再構築されたmGRE画像およびR2*マップにおいて優れた視覚的品質と構造の保持を達成した。
• 特に強い動き由来の歪みが生じる領域（ズームイン領域および青矢印で示された領域）において、アーチファクト抑制、シャープネス、コントラストの面で、すべてのベースラインを上回った。
• 異なる脳断層においても、多様な動きパターンにさらされても一貫した性能を維持し、生体内での多様な動きによる歪みへの頑健性および一般化能力を示した。
• 事前計算された動きまたは磁場マップが不要な状態で、部分的サンプリング、ノイズ、動きによる歪みを伴うk-spaceデータから直接、高品質なR2*推定を実現した。
• 自己教師型トレーニングスキームにより、教師ラベルとしてのR2*マップがなくても効果的な学習が可能となり、臨床現場で利用可能な実データに応用可能である。