[論文レビュー] Deep artifact learning for compressed sensing and parallel MRI
本稿では、高密度にアンダーサンプリングされたk空間データからの迅速かつ高精度なMRI再構成を目的として、一貫性のあるアーチファクトを直接学習し除去する深層学習ベースの手法を提案する。マルチスケールU-Netを用い、大きな受容 field を持たせることで、アンダーサンプリングされたデータから再構成された位相と強度画像からのアーチファクトを推定する。従来の圧縮センシング法と比較して最大10倍速く、最先端の画像品質と再構成速度を達成した。
Purpose: Compressed sensing MRI (CS-MRI) from single and parallel coils is one of the powerful ways to reduce the scan time of MR imaging with performance guarantee. However, the computational costs are usually expensive. This paper aims to propose a computationally fast and accurate deep learning algorithm for the reconstruction of MR images from highly down-sampled k-space data. Theory: Based on the topological analysis, we show that the data manifold of the aliasing artifact is easier to learn from a uniform subsampling pattern with additional low-frequency k-space data. Thus, we develop deep aliasing artifact learning networks for the magnitude and phase images to estimate and remove the aliasing artifacts from highly accelerated MR acquisition. Methods: The aliasing artifacts are directly estimated from the distorted magnitude and phase images reconstructed from subsampled k-space data so that we can get an aliasing-free images by subtracting the estimated aliasing artifact from corrupted inputs. Moreover, to deal with the globally distributed aliasing artifact, we develop a multi-scale deep neural network with a large receptive field. Results: The experimental results confirm that the proposed deep artifact learning network effectively estimates and removes the aliasing artifacts. Compared to existing CS methods from single and multi-coli data, the proposed network shows minimal errors by removing the coherent aliasing artifacts. Furthermore, the computational time is by order of magnitude faster. Conclusion: As the proposed deep artifact learning network immediately generates accurate reconstruction, it has great potential for clinical applications.
研究の動機と目的
- 従来の圧縮センシングMRI（CS-MRI）および並列イメージング（pMRI）再構成手法の高い計算コストを低減すること。
- 特に均一なアンダーサンプリングパターン下で、一貫性のあるアーチファクトを除去する点で従来のCS-MRI手法の限界を克服すること。
- アーチファクトのない画像を学習する代わりに、アーチファクトのパターンそのものを直接学習する深層学習フレームワークを構築し、アーチファクト多様体の位相的単純性を活用すること。
- 反復的CS手法と比較して著しく再構成時間を短縮することで、臨床現場でのリアルタイムMRI再構成を可能にすること。
- 特にアーチファクトがグローバルに分布する位相画像再構成において、シングルコイルおよびマルチコイルMRIデータの両方で性能を向上させること。
提案手法
- アンダーサンプリングされたk空間データから再構成された強度および位相画像から、一貫性のあるアーチファクトを直接推定する深層アーチファクト学習フレームワークを提案する。
- 256×256の入力画像全体をカバーする、完全な受容 field を有するマルチスケールU-Netアーキテクチャを採用し、拡張畳み込みおよびプーリング層を用いる。
- ネットワークをエンドツーエンドで訓練し、汚染された入力からアーチファクトを予測し、それを差し引くことでアーチファクトのない画像を回復する。
- アーチファクトのデータ多様体を単純化し、学習性を向上させるために、追加の低周波数ACS（自己キャリブレーション信号）ラインを組み込む。
- 強度成分と位相成分のアーチファクト分布の違い（強度は局所的、位相はグローバル）を考慮し、それぞれ別々にネットワークを適用する。
- 位相的データ解析（恒常ホモロジー）を用いて、ACSラインを含む均一なアンダーサンプリングが、より単純かつ規則的なアーチファクト多様体を生成することを正当化し、深層学習の実行を容易にする。
実験結果
リサーチクエスチョン
- RQ1従来のCS法が失敗する状況下でも、深層学習が一貫性のあるアーチファクトを効果的に推定・除去できるか？
- RQ2ACSラインを含む均一なアンダーサンプリング下で、アーチファクトの位相的単純性が深層ニューラルネットワークの学習性を向上させるか？
- RQ3グローバルに分布するアーチファクトを有するMRI再構成において、大きな受容 field を持つマルチスケールネットワークアーキテクチャは、シングルスケールネットワークと比較してどのように優れているか？
- RQ4提案手法は、従来の反復的CS-MRI手法と比較して、高い再構成精度に加え、著しく高速な計算を達成できるか？
- RQ5深層アーチファクト学習アプローチは、特にアーチファクトが空間的に一貫性を持つ位相再構成において、シングルコイルおよびマルチコイルMRIデータの両方で有効であるか？
主な発見
- 提案された深層アーチファクト学習ネットワークは、一貫性のあるアーチファクトを効果的に除去することで、最小限の再構成誤差を達成し、既存のCSおよび並列イメージング手法を上回った。
- 入力画像全体をカバーする大きな受容 field を持つマルチスケールU-Netは、特にアーチファクトがグローバルに分布する位相再構成において優れた性能を示した。
- シングルスケールネットワークはグローバルなアーチファクトパターンを捉えられず、特に位相画像において高い誤差を生じたが、マルチスケールネットワークは著しく低い誤差率を達成した。
- 従来の反復的CS-MRI手法と比較して、再構成時間が10倍以上短縮され、近似的なリアルタイム臨床応用が可能になった。
- サンプリングパターンにACSラインを組み込むことで、アーチファクトのデータ多様体が単純化され、学習が容易になり、全体的なネットワーク性能が向上した。
- 本手法は、シングルコイルおよびマルチコイルMRIデータの両方で優れた一般化性能を示し、強い加速係数下でも高い精度を維持した。
より良い研究を、今すぐ始めましょう
論文設計から論文執筆まで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。