[論文レビュー] Deep Learning for Rapid Sparse MR Fingerprinting Reconstruction.

Ouri Cohen, Bo Zhu+1 more|arXiv (Cornell University)|Oct 15, 2017

Advanced MRI Techniques and Applications参考文献 22被引用数 4

ひとこと要約

本稿では、Bloch方程式から導かれたシミュレートされたMRFデータを用いて学習したニューラルネットワークを用いて、多次元MRファンクショナリング（MRF）データの高速かつ高精度な再構成を実現する深層学習ベースの手法を提案する。本手法は、従来の辞書マッチングと比較して300倍速く（10 ms 対 約50秒）、誤差が著しく低く、ノイズやアンダーサンプリングに対してより高い耐性を示し、1.5 Tでのフォーム・フォームおよび生体内ヒト脳スキャンにおいても高い正確性を示した。

ABSTRACT

PURPOSE: Demonstrate a novel fast method for reconstruction of multi-dimensional MR Fingerprinting (MRF) data using Deep Learning methods. METHODS: A neural network (NN) is defined using the TensorFlow framework and trained on simulated MRF data computed using the Bloch equations. The accuracy of the NN reconstruction of noisy data is compared to conventional MRF template matching as a function of training data size, and quantified in a both simulated numerical brain phantom data and acquired data from the ISMRM/NIST phantom. The utility of the method is demonstrated in a healthy subject in vivo at 1.5 T. RESULTS: Network training required 10 minutes and once trained, data reconstruction required approximately 10 ms. Reconstruction of simulated brain data using the NN resulted in a root-mean-square error (RMSE) of 3.5 ms for T1 and 7.8 ms for T2. The RMSE for the NN trained on sparse dictionaries was approximately 6 fold lower for T1 and 2 fold lower for T2 than conventional MRF dot-product dictionary matching on the same dictionaries. Phantom measurements yielded good agreement (R2=0.99) between the T1 and T2 estimated by the NN and reference values from the ISMRM/NIST phantom. CONCLUSION: Reconstruction of MRF data with a NN is accurate, 300 fold faster and more robust to noise and undersampling than conventional MRF dictionary matching.

研究の動機と目的

• 従来の辞書マッチングによるMRファンクショナリング再構成における計算上のボトルネックを解消すること。この手法は遅く、ノイズやアンダーサンプリングに対して感受性が強い。
• 多次元MRFデータの高速で正確かつ耐性のある再構成を可能にする深層学習フレームワークの開発。
• 再構成速度、正確性、ノイズ耐性の観点から、従来のテンプレートマッチングと比較して深層学習手法の性能を評価すること。
• シミュレートされた数値的脳フォームおよびISMRM/NISTフォームからの実世界データを用いて、手法の妥当性を検証すること。
• 健康な被験者における生体内データに本手法を適用することで、臨床的妥当性を示すこと（1.5 T）。

提案手法

• ニューラルネットワーク（NN）はTensorFlowフレームワークを用いて実装され、Bloch方程式を用いて生成されたシミュレートMRFデータで学習された。
• スパース辞書を用いて学習することで、アンダーサンプリングされたMRFデータの効率的再構成が可能になった。
• アーキテクチャは、生のk-space MRF信号を直接定量的T1およびT2マップにマッピングするように最適化された。
• 学習には、シミュレートデータ上の再構成誤差を最小化するためにバックプロパゲーションと確率的勾配降下法が用いられた。
• 学習後、1データセットあたり約10 msで再構成推論が実行可能であり、リアルタイム応用の可能性を有する。
• 性能評価は、同一の辞書を用いた従来のMRFテンプレートマッチング（ドット積マッチング）と比較して実施された。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、従来の辞書マッチングと比較して、より高い正確性と低い計算コストで多次元MRFデータを再構成できるか？
• RQ2 トレーニングデータセットのサイズが変化するに従って、深層学習手法の性能はどのように変化するか？
• RQ3 従来のMRF再構成と比較して、深層学習手法はノイズおよびアンダーサンプリングに対してどの程度耐性を示すか？
• RQ4 深層学習手法は、フォームおよび生体内ヒトスキャンを含む実世界データへどの程度一般化できるか？
• RQ5 本研究で提案された深層学習フレームワークにおける、トレーニング時間と推論速度のトレードオフは何か？

主な発見

• シミュレートされた脳フォームデータの再構成において、深層学習モデルはT1で3.5 ms、T2で7.8 msの平均二乗誤差（RMSE）を達成した。
• 同じスパース辞書上での比較において、ニューラルネットワークのRMSEはT1で約6倍、T2で約2倍低かった。
• フォーム測定では、ニューラルネットワークはT1およびT2マッピングにおいて、基準値と優れた一致を示した（R² = 0.99）。
• モデルはたった10分間の学習で、1データセットあたり10 msの再構成が可能となり、従来手法と比較して300倍の高速化を達成した。
• ノイズおよびアンダーサンプリングに対して優れた耐性を示し、厳しいデータ条件下でも高い正確性を維持した。
• 1.5 Tでの健康被験者における生体内再構成により、臨床現場での実用可能性と正確性が確認された。