[論文レビュー] Data consistency networks for (calibration-less) accelerated parallel MR image reconstruction

Jo Schlemper, Jinming Duan+5 more|arXiv (Cornell University)|Sep 25, 2019

Medical Imaging Techniques and Applications被引用数 5

ひとこと要約

本稿では、データ整合性層を統合することで、高速化された並列MRI再構成のための深層学習ベースのMRI再構成ネットワーク2つ—D-POCSENSEとDC-CNN—を提案する。D-POCSENSEは画像品質の向上を図るためにコイル感度マップを用いるが、DC-CNNはキャリブレーション不要であり、マルチコイルデータを統合して処理する。両方の手法は、4および6の加速因子を用いた公的キネッカー画像データセットにおいて、PSNRおよびSSIMの面で最先端の性能を達成した。

ABSTRACT

We present simple reconstruction networks for multi-coil data by extending deep cascade of CNN's and exploiting the data consistency layer. In particular, we propose two variants, where one is inspired by POCSENSE and the other is calibration-less. We show that the proposed approaches are competitive relative to the state of the art both quantitatively and qualitatively.

研究の動機と目的

• キャリブレーション依存の手法を避ける一方で、並列MRI再構成の高速化に挑戦すること。
• データ整合性制約を伴う深層学習を用いて、高レベルの undersampled k-space データにおける画像品質を向上させること。
• POCSENSEのような感度ベースの手法の代替として、キャリブレーション不要な代替手法を提供し、臨床的実用性を高めること。
• Variational Network や ℓ₁-SPIRiT などの最先端手法と同等の性能を達成すること。
• T2、PD、脂肪抑制（fat-sat）の複数の撮影プロトコルおよび加速因子（4、6）にわたる一般化性能を示すこと。

提案手法

• 深層カスケードのCNN（DC-CNN）を、ノイズ除去サブネットワークとデータ整合性層を交互に配置することで拡張し、k-spaceの更新を実現する。
• D-POCSENSEを提案：感度重み付き再結合画像入力を用い、学習可能なλバランス項を介してコイル別k-space更新によりデータ整合性を適用する。
• DC-CNNを実装：全コイル画像をチャネル軸に沿ってスタックし、各コイルごとに独立してデータ整合性を適用する。
• ノイズレベルに適応可能な学習可能なλをデータ整合性層に導入し、ロバストネスを向上させる。
• 両ネットワークを200エポックにわたり、Adam最適化アルゴリズムを用いてℓ₂損失（D-POCSENSE）および重み付きℓ₂損失（DC-CNN）で訓練する。
• 24本の中心ラインをキャリブレーション領域として使用し、CartesianアンダーサンプリングをAF=4および6で実施する。

実験結果

リサーチクエスチョン

• RQ1 データ整合性層を統合した深層カスケードは、従来の最先端手法を上回る性能を示すか？
• RQ2 ネットワークアーキテクチャにコイル感度マップを組み込む（D-POCSENSE）ことで、キャリブレーション不要な手法（DC-CNN）よりも優れた再構成品質が得られるか？
• RQ3 キャリブレーション不要な手法（DC-CNN）は、感度マップやキャリブレーションデータを必要とせず、競争力のある性能を達成できるか？
• RQ4 多様なMRIプロトコルおよび加速因子において、PSNRおよびSSIMの観点から、提案手法はどのように比較されるか？
• RQ5 より長い訓練時間は、D-POCSENSEおよびDC-CNNの性能、特に残存アーチファクトの低減に寄与するか？

主な発見

• AF=4における軸方向T2 FSで、D-POCSENSEはPSNR 36.03 ± 10.26、SSIM 0.90 ± 0.24を達成し、ℓ₁-SPIRiTを上回り、Variational Network（VN）と同等の性能を示した。
• AF=6における軸方向T2 FSで、D-POCSENSEはPSNR 31.83 ± 8.79、SSIM 0.87 ± 0.25を達成し、ℓ₁-SPIRiTを上回り、VNと同等の結果を示した。
• DC-CNNは、AF=4における軸方向T2 FSでPSNR 35.45 ± 8.63、SSIM 0.91 ± 0.19を達成し、キャリブレーション不要であるにもかかわらず、強力な性能を示した。
• 冠状断面PDにおいて、D-POCSENSEはAF=4でPSNR 36.94 ± 1.24、SSIM 0.98 ± 0.00を達成し、Variational Networkと同等の性能を示した。
• AF=6における軸方向T2 FSでは、Variational Networkが最高のPSNR（32.39 ± 9.94）を記録したが、D-POCSENSEおよびDC-CNNも低い分散を示し、競争力のある性能を維持した。
• 可視化結果では、D-POCSENSEがアーチファクトが少なく均一な画像を生成したのに対し、DC-CNNおよびVNはAF=6で残存アーチファクトを示した。