[論文レビュー] Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers

Jiahao Huang, Yingying Fang+10 more|arXiv (Cornell University)|Apr 1, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 4

ひとこと要約

本論文は、高速MRI再構成のためのデータ駆動型および物理情報に基づく深層学習モデルに関する包括的レビューを提示している。畳み込みニューラルネットワーク（CNNs）、生成対抗ネットワーク（GANs）、アテンション機構、トランスフォーマーをカバーしている。物理的MRI制約とデータ駆動型学習を統合することで、再構成精度、スキャナ間での一般化、臨床的妥当性が向上し、特にフェデレーテッドラーニングと説明可能なAIを通じて顕著である。

ABSTRACT

Research studies have shown no qualms about using data driven deep learning models for downstream tasks in medical image analysis, e.g., anatomy segmentation and lesion detection, disease diagnosis and prognosis, and treatment planning. However, deep learning models are not the sovereign remedy for medical image analysis when the upstream imaging is not being conducted properly (with artefacts). This has been manifested in MRI studies, where the scanning is typically slow, prone to motion artefacts, with a relatively low signal to noise ratio, and poor spatial and/or temporal resolution. Recent studies have witnessed substantial growth in the development of deep learning techniques for propelling fast MRI. This article aims to (1) introduce the deep learning based data driven techniques for fast MRI including convolutional neural network and generative adversarial network based methods, (2) survey the attention and transformer based models for speeding up MRI reconstruction, and (3) detail the research in coupling physics and data driven models for MRI acceleration. Finally, we will demonstrate through a few clinical applications, explain the importance of data harmonisation and explainable models for such fast MRI techniques in multicentre and multi-scanner studies, and discuss common pitfalls in current research and recommendations for future research directions.

研究の動機と目的

• MRI再構成の高速化を目的とした最新のデータ駆動型深層学習モデル（CNNs、GANs、アテンション機構、トランスフォーマーを含む）を調査すること。
• MRIの物理的制約（例：k-space整合性）をデータ駆動型モデルに統合することで、臨床応用と耐障害性を向上させることの検討。
• マルチセンター・マルチスキャナMRI研究におけるデータの統一化と説明可能なAI（XAI）の重要性を強調すること。
• フェデレーテッドラーニングを、複数の機関にまたがるプライバシー保護型フレームワークとして活用し、強固で一般化可能な高速MRIモデルの訓練を可能にすること。
• 再現可能で説明可能かつ臨床応用可能な高速MRI技術を開発するうえでの主な課題と今後の研究方向性を同定すること。

提案手法

• 反復的再構成手順を深層ニューラルネットワークのアーキテクチャに埋め込むことで、微分可能コンponentsを有するエンドツーエンド学習が可能な、アンロールド最適化フレームワークのレビュー。
• 低サンプリングレートのMRI再構成における知覚的品質と構造的忠実度を向上させるために、生成的敵対的ネットワーク（GANs）の利用を検討。
• k-spaceまたは画像空間における長距離依存関係をモデル化するアテンション機構およびビジョントランスフォーマー（ViTs）の詳細な説明。これにより再構成精度が向上。
• k-spaceデータとの整合性を保証するために、物理的MRIモデル（例：前向きおよび逆向きのMRIオペレータ）を微分可能レイヤーとして深層ネットワークに統合することの強調。
• フェデレーテッドラーニングを、生データを共有せずに複数の機関にまたがるモデルの訓練を可能にする手法として提案。プライバシー保護と多様なスキャナプラットフォームにおけるモデル一般化の向上に寄与。
• 臨床意思決定におけるモデルの透明性と信頼性を高めるために、説明可能なAI（XAI）技術の活用を提唱。特にマルチスキャナおよびマルチセンター環境において顕著。

実験結果

リサーチクエスチョン

• RQ1 CNNs、GANs、トランスフォーマーなどの深層学習モデルは、画像品質を保持しつつ、どのようにしてMRI再構成を効率化できるか？
• RQ2 物理的MRIモデル（例：k-space整合性）をデータ駆動型深層学習アーキテクチャに統合する利点と限界は何か？
• RQ3 フェデレーテッドラーニングは、マルチセンターおよびマルチスキャナ環境における強固でプライバシー保護型の高速MRIモデルの訓練をどのように可能にするか？
• RQ4 データ統一化と説明可能なAI（XAI）は、深層学習ベースの高速MRI技術の再現性と臨床的受容性を向上させるうえで果たす役割は何か？
• RQ5 多様な深層学習ベースの高速MRI手法をベンチマークし比較するうえでの主な課題は何か。また、新しい基準を確立するにはどうすればよいか？

主な発見

• CNNs や GANs などのデータ駆動型深層学習モデルは、従来の反復的手法に比べてMRI再構成を顕著に高速化し、ニアリアルタイム性能を達成している。
• 物理的制約（例：データ整合性レイヤー）を深層ネットワークに統合することで、異なるスキャンプロトコルやハードウェア間での再構成精度と一般化性能が向上している。
• トランスフォーマーとアテンション機構は、k-spaceにおける長距離依存関係を効果的にモデル化し、低サンプリングMRIにおける構造的詳細の向上とアーチファクトの低減を実現している。
• フェデレーテッドラーニングにより、生データを共有せずに複数の機関にまたがる強固な高速MRIモデルの訓練が可能になり、プライバシー保護と多様なスキャナプラットフォームにおける一般化性能の向上が図られている。
• 説明可能なAI（XAI）技術は、特にマルチセンター研究において、臨床医の信頼を築き、モデル予測の透明性を確保するために不可欠である。
• マルチパラメトリック定量的MRI（qMRI）は、データ駆動型高速MRIのおかげで進展が見込まれ、MRファングプリントや拡散テンソル画像法を用いた、組織の微小構造的変化の早期検出が可能になる。