[論文レビュー] Deep De-Aliasing for Fast Compressive Sensing MRI

Simiao Yu, Hao Dong+9 more|arXiv (Cornell University)|May 19, 2017

Sparse and Compressive Sensing Techniques参考文献 5被引用数 44

ひとこと要約

本稿では、高速な圧縮センシングMRIにおける高頻度のアンダーサンプリングk空間データのアーリアスを解消するための、新しいリファインメント学習手順を備えた条件付き生成対抗ネットワーク（cGAN）フレームワークを提案する。敵対的損失とピクセル単位のMSE、および知覚的VGG損失を組み合わせることで、定量的指標および知覚的リアリズムの両面で、既存のCS-MRI手法を著しく上回る最先端の再構成品質とリアルタイムの推論速度（1画像あたり0.22–0.37ms）を達成した。

ABSTRACT

Fast Magnetic Resonance Imaging (MRI) is highly in demand for many clinical applications in order to reduce the scanning cost and improve the patient experience. This can also potentially increase the image quality by reducing the motion artefacts and contrast washout. However, once an image field of view and the desired resolution are chosen, the minimum scanning time is normally determined by the requirement of acquiring sufficient raw data to meet the Nyquist-Shannon sampling criteria. Compressive Sensing (CS) theory has been perfectly matched to the MRI scanning sequence design with much less required raw data for the image reconstruction. Inspired by recent advances in deep learning for solving various inverse problems, we propose a conditional Generative Adversarial Networks-based deep learning framework for de-aliasing and reconstructing MRI images from highly undersampled data with great promise to accelerate the data acquisition process. By coupling an innovative content loss with the adversarial loss our de-aliasing results are more realistic. Furthermore, we propose a refinement learning procedure for training the generator network, which can stabilise the training with fast convergence and less parameter tuning. We demonstrate that the proposed framework outperforms state-of-the-art CS-MRI methods, in terms of reconstruction error and perceptual image quality. In addition, our method can reconstruct each image in 0.22ms--0.37ms, which is promising for real-time applications.

研究の動機と目的

• ナイキスト基準未満のk空間のアンダーサンプリングによって引き起こされるアーリアスアーティファクトの課題に対処すること。
• 固定されたスパース化変換と反復最適化に依存する従来の圧縮センシング（CS）手法を超える再構成品質の向上。
• 高速な推論速度を活用したディープラーニングにより、リアルタイムのMRI再構成を実現すること。
• 敵対的学習と組み合わせた知覚的損失を統合することで、知覚的画像品質を向上させること。
• 生成器のための提案されたリファインメント学習手順により、訓練の安定性を高め、ハイパーパramータのチューニングの必要性を低減すること。

提案手法

• 生成器がアンダーサンプリングk空間データを入力とし、アーリアス除去済みの画像を出力する条件付きGANアーキテクチャを採用する。
• ピクセル単位の平均二乗誤差（MSE）と事前学習済みVGGネットワークを用いた知覚的損失を組み合わせたハイブリッド損失関数を導入し、構造的およびテクスチャのリアリズムを向上させる。
• 敵対的損失を組み込み、生成器が識別器に対して本物の画像と区別がつかない出力を生成するように促進する。
• 訓練の安定性を高め、収束を加速し、ハイパーパramータの感度を低減するためのリファインメント学習手順を提案する。
• 1次元および2次元のガウス確率的サンプリングマスクを用いて、トレーニングおよび評価のための高頻度アンダーサンプリングk空間データをシミュレートする。
• コンテンツ損失、敵対的損失、知覚的損失の組み合わせを用いて、生成器をエンドツーエンドで訓練し、識別器は本物と生成画像を区別するように訓練する。

実験結果

リサーチクエスチョン

• RQ1 知覚的損失と敵対的損失を統合したGANベースのフレームワークは、従来のCS-MRI手法に比べ、高頻度アンダーサンプリングk空間データからの高品質なMRI再構成を達成できるか？
• RQ2 提案されたリファインメント学習手順は、ディープラーニングによるMRI再構成における訓練の安定性と収束速度にどのように影響を与えるか？
• RQ3 MSEのみの最適化に比べ、知覚的損失を組み込むことで、再構成MRI画像の知覚的品質はどの程度向上するか？
• RQ4 計算効率を考慮した場合、提案手法は臨床応用に適したリアルタイム推論速度を達成できるか？
• RQ5 特に高い加速率（例：50％）におけるさまざまなアンダーサンプリングレベルに対して、この手法はどの程度のロバストネスを示すか？

主な発見

• MICCAIデータセットにおいて、2次元ガウスサンプリングを用いた50％アンダーサンプリング条件下で、PPGRモデルは全テストアンダーサンプリングレートにおいて最小のNMSE（0.0385）と最大のPSNR（47.30）を達成した。
• 20％の2次元アンダーサンプリング条件下では、PPGRモデルはPSNRが45.66を記録し、ZF（38.91）、PG（44.41）、PPG（45.66）を上回る定量的指標を達成した。
• 視覚的比較では、PGがわずかに優れたNMSEとPSNRを示したにもかかわらず、PPGおよびPPGR手法がPGよりもよりリアルなテクスチャとより少ないギザギザアーティファクトを生成しており、知覚的優位性が確認された。
• 1画像あたり0.22–0.37msの再構成時間であり、臨床応用に適したリアルタイムの実現可能性を示した。
• リファインメント学習手順により、収束が早まり、ハイパーパramータのチューニングの必要性が低減され、訓練の安定性が向上した。
• 明示的なフォワードモデルに依存せず、高頻度アンダーサンプリングデータに対しても良好な一般化性能を示し、困難な再構成状況におけるロバストネスを実証した。