[論文レビュー] Deep Learning for Accelerated and Robust MRI Reconstruction: a Review

Reinhard Heckel, Mathews Jacob+3 more|arXiv (Cornell University)|Apr 24, 2024

Advanced X-ray and CT Imaging被引用数 5

ひとこと要約

MRI再構成の深層学習手法の包括的なレビューで、エンドツーエンドのネットワーク、事前学習済みデノイザ、生成的事前分布、自己教師ありアプローチを扱い、頑健性と臨床への影響について議論する。

ABSTRACT

Deep learning (DL) has recently emerged as a pivotal technology for enhancing magnetic resonance imaging (MRI), a critical tool in diagnostic radiology. This review paper provides a comprehensive overview of recent advances in DL for MRI reconstruction. It focuses on DL approaches and architectures designed to improve image quality, accelerate scans, and address data-related challenges. These include end-to-end neural networks, pre-trained networks, generative models, and self-supervised methods. The paper also discusses the role of DL in optimizing acquisition protocols, enhancing robustness against distribution shifts, and tackling subtle bias. Drawing on the extensive literature and practical insights, it outlines current successes, limitations, and future directions for leveraging DL in MRI reconstruction, while emphasizing the potential of DL to significantly impact clinical imaging practices.

研究の動機と目的

• DLベースのMRI再構成技術とアーキテクチャの全体像を調査する。
• ディープラーニングが画像品質を向上させ、スキャンを加速し、データ関連の課題に対処する方法を検討する。
• 分布シフトやバイアスへの頑健性を強調し、臨床導入の実用的戦略を概説する。

提案手法

• 測定値を再構成画像へ写像するエンドツーエンドのニューラルネットワークを調査する。
• 学習済み構成要素を用いた反復最適化を模倣するアンローリングネットワークアーキテクチャを検討する。
• デノイザーを事前学習済みの事前分布として用いるプラグアンドプレイ法を説明する。
• 再構成のためのGANsや拡散モデルを含む生成的事前分布を要約する。
• 対の真値データを回避する自己教師あり学習アプローチを説明する。
• 訓練されていないネットワークと座標ベース表現を代替のDL戦略として概説する。

Figure 1: Example of the input training data for three DL reconstruction methods. The fully-supervised MoDL method [ 24 ] receives var-dens sampled data as input and uses the entire k-space for supervision. The self-supervised SSDU method [ 121 ] receives var-dens data as input, splits it into two s

実験結果

リサーチクエスチョン

• RQ1 加速MRI再構成に最も効果的なDLアーキテクチャと訓練パラダイムは何か？
• RQ2 エンドツーエンド、アンローリング、PnP、生成的事前分布は、データのアンダーサンプリングやアーティファクトに対処する際にどのように比較されるか？
• RQ3 DLベースのMRIにおける頑健性の課題（分布シフト、不安定性、バイアス）は何で、どう緩和できるか？
• RQ4 真値データが限られる場合、自己教師付きおよび訓練されていない方法はどのような役割を果たすか？
• RQ5 拡散モデルや他の生成的事前分布をどのように活用してMRI再構成における不確実性量を評価できるか？

主な発見

• DL手法は画像品質を大幅に向上させ、複数のアーキテクチャでより高速なMRIを実現する。
• アンローリングネットワークと変分系にインスパイアされた設計は、データ整合性とデノイジングブロックを伴って高い性能を発揮する。
• プラグアンドプレイフレームワークの事前学習済みデノイザは、任意の前方モデルの柔軟な処理を可能にする。
• 生成的事前分布（GANs、拡散モデル）は、不確実性の評価と前方モデルの変更への適応性を備えた高品質な再構成を提供する。
• 自己教師ありアプローチ（SUREベース、Noise2Noise系）は、対となるデータが入手できない場合に監視付き性能に近づくことができる。
• 訓練されていないネットワークと座標ベース表現は、データ不足の代替案を提供し、トレードオフは様々である。

Figure 2: Automated discovery of MRI acquisition protocols using supervised learning . A differentiable MR scanner utilizes the Bloch equations for in-silico signal generation and the later reconstruction of the target contrast of interest from real, acquired data. Reproduced from Loktyushin et al.