[論文レビュー] Deep Learning for Retrospective Motion Correction in MRI: A Comprehensive Review

Veronika Spieker, Hannah Eichhorn+5 more|arXiv (Cornell University)|May 11, 2023

Advanced MRI Techniques and Applications被引用数 8

ひとこと要約

MRI における学習ベースの retrospective motion correction (MoCo) 手法の総合的な調査。データ利用、アーキテクチャ、学習、評価、今後の方向性を詳述。

ABSTRACT

Motion represents one of the major challenges in magnetic resonance imaging (MRI). Since the MR signal is acquired in frequency space, any motion of the imaged object leads to complex artefacts in the reconstructed image in addition to other MR imaging artefacts. Deep learning has been frequently proposed for motion correction at several stages of the reconstruction process. The wide range of MR acquisition sequences, anatomies and pathologies of interest, and motion patterns (rigid vs. deformable and random vs. regular) makes a comprehensive solution unlikely. To facilitate the transfer of ideas between different applications, this review provides a detailed overview of proposed methods for learning-based motion correction in MRI together with their common challenges and potentials. This review identifies differences and synergies in underlying data usage, architectures, training and evaluation strategies. We critically discuss general trends and outline future directions, with the aim to enhance interaction between different application areas and research fields.

研究の動機と目的

• MRI におけるモーションアーティファクトと従来の MoCo アプローチを要約する。
• 画像ベースおよび k-空間ベースの戦略を横断して学習ベースの MoCo 手法を体系的にレビューする。
• 本分野で用いられるデータの可用性、モーションシミュレーション、学習目的、評価指標を分析する。
• 分野横断の協力を促進するため、差異、相乗効果、課題、今後の方向性を特定する。

提案手法

• MoCo 手法を画像ベースと k-空間ベースのアーキテクチャに分類する。
• 従来の学習と純粋な学習ベース再構成フレームワークのハイブリッドを議論する。
• ボクセル単位、画像ドメイン、k-空間損失、対立的（アドバサリアル）および自己教師ありアプローチを含む学習目的を説明する。
• 監視付き学習を可能にするための脳、心臓、腹部 MRI のモーションシミュレーション戦略を概説する。
• 完全参照指標と参照なし指標、画像品質指標、およびモーション検出/推定指標を含む評価指標を要約する。

実験結果

リサーチクエスチョン

• RQ1 MRI における retrospective MoCo の主な学習戦略は何か（画像ベース vs. k-空間ベース）？
• RQ2 データの利用、学習目的、評価実践は解剖部位ごとにどのように異なるか？
• RQ3 再構成とモーション補正の手法間で共通の課題や潜在的な相乗効果は何か？
• RQ4 モーションはどのようにシミュレートされ、学習と評価にどのような影響を与えるか？
• RQ5 ML と MRI コミュニティ間の相互作用を進展させる方向性は何か？

主な発見

• アーキテクチャは幅広く、画像ベース、k-空間ベース、学習成分を含むハイブリッドモデルベース、純粋な学習ベースのエンドツーエンド再構成が存在する。
• 多くの手法は、モーションで汚染されたデータとモーションフリーなデータの対付きデータを用いた教師あり学習に依存するが、対付きデータが限られるためモーションシミュレーションが一般的に用いられる。
• 学習目的は L1/L2、SSIM、知覚的・対立的損失を含み、自己教師ありおよびサイクル整合性（CycleGAN）アプローチは非対付きデータの処理に用いられる。
• 評価は完全参照および参照なしの画像品質指標（例：SSIM、PSNR、MSE、SNR、CNR、Tenengrad）を組み合わせ、モーション検出/推定指標や下流タスクの性能を含むことがある。
• retrospective MoCo は再構成（展開型ネットワーク、DC ブロック、モーション推定）と下流タスク（セグメンテーション等）と統合でき、クロストタスクの利点を強調する。
• この総説はデータ利用、アーキテクチャ、学習、評価の差異と相乗効果を強調し、ML とMRI コミュニティ間のより強い連携を促している。