[論文レビュー] Data Consistent Deep Rigid MRI Motion Correction

Nalini Singh, Neel Dey+6 more|PubMed|Jan 25, 2023

Advanced MRI Techniques and Applications参考文献 27被引用数 11

ひとこと要約

動作パラメータ依存の再構成ネットワークを学習してデータ整合性のあるモーション補正MRI画像を生成し、テスト時には動作パラメータのみで最適化を行う深層学習法。

ABSTRACT

Motion artifacts are a pervasive problem in MRI, leading to misdiagnosis or mischaracterization in population-level imaging studies. Current retrospective rigid intra-slice motion correction techniques jointly optimize estimates of the image and the motion parameters. In this paper, we use a deep network to reduce the joint image-motion parameter search to a search over rigid motion parameters alone. Our network produces a reconstruction as a function of two inputs: corrupted k-space data and motion parameters. We train the network using simulated, motion-corrupted k-space data generated with known motion parameters. At test-time, we estimate unknown motion parameters by minimizing a data consistency loss between the motion parameters, the network-based image reconstruction given those parameters, and the acquired measurements. Intra-slice motion correction experiments on simulated and realistic 2D fast spin echo brain MRI achieve high reconstruction fidelity while providing the benefits of explicit data consistency optimization. Our code is publicly available at https://www.github.com/nalinimsingh/neuroMoCo.

研究の動機と目的

• 脳MRIにおけるモーションアーチファクトの動機づけと対処、特にマルチショット取得におけるスライス内モーション。
• 画像とモーションの同時最適化を回避する回想的なモーション補正法の開発。
• モーションパラメータを画像再構成に対応付けるハイパーネットワークベースの再構成の導入。
• データ整合性のモニタリングを伴う動作パラメータのテスト時最適化を可能にし、失敗を検出。

提案手法

• フォワードモデル: y = A(m)x + ε において A(m) はショット間でモーション m によって変化する。
• 既知のモーションを用いたシミュレートデータを用いて、破損したk-spaceデータとモーションパラメータを再構成へ写像する f(y, m; θ) を訓練する。
• モーション m 条件付けで再構成ネットワークの重み θg(m) を生成するハイパーネットワーク h(·; θh) を用いる。
• シュミレートデータ上で再構成損失 L を最小化することで訓練する。例: negative SSIM。
• テスト時には θh を固定し、||y − A(m) f(y, m; θ*)||² を最小化してモーション m を最適化し、再構成 f(y, m̂; θ*) を得る。
• データ整合性損失をモニタリングして不良再構成を拒否する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、画像とモーションパラメータの同時最適化を、モーションパラメータのみの最適化へと削減する、モーションパラメータ依存の再構成を学習できるか。
• RQ2 データ整合性を伴うテスト時のモーションパラメータ最適化は、マルチショットMRIで取得されたk-space測定と整合する再構成を生み出すか。
• RQ3 このアプローチは、シミュレーションデータから現実の取得済みk-spaceデータへどれだけ一般化するか。
• RQ4 データ整合性に基づく自動拒否基準は、失敗した再構成を識別できるか。

主な発見

• 本手法は、ショット間のモーションを含むシミュレーションデータにおいて、取得測定と一致する再構成を生み出す。
• 再構成は鮮明で、地上_truthモーションパラメータへアクセスできるモーション対応ベースラインに品質が近い。
• 高エネルギーショットではモーションパラメータ推定が正確であり、自動拒否が最適化の失敗を特定する。
• 訓練をシミュレーションデータで行ったにもかかわらず、現実の取得済みk-spaceの例にも一般化する。