[論文レビュー] Deep Learning Methods for Parallel Magnetic Resonance Image Reconstruction

Florian Knöll, Kerstin Hammernik+5 more|arXiv (Cornell University)|Apr 1, 2019

Advanced MRI Techniques and Applications参考文献 75被引用数 37

ひとこと要約

この論文は、深層学習とニューラルネットワークが並列MRI再構成にどのように適用されるかを検討し、画像ドメインと k-space のアプローチをカバーし、マルチコイルデータと学習された正則化子/ undersampling アーチファクトの扱いを重視します。

ABSTRACT

Following the success of deep learning in a wide range of applications, neural network-based machine learning techniques have received interest as a means of accelerating magnetic resonance imaging (MRI). A number of ideas inspired by deep learning techniques from computer vision and image processing have been successfully applied to non-linear image reconstruction in the spirit of compressed sensing for both low dose computed tomography and accelerated MRI. The additional integration of multi-coil information to recover missing k-space lines in the MRI reconstruction process, is still studied less frequently, even though it is the de-facto standard for currently used accelerated MR acquisitions. This manuscript provides an overview of the recent machine learning approaches that have been proposed specifically for improving parallel imaging. A general background introduction to parallel MRI is given that is structured around the classical view of image space and k-space based methods. Both linear and non-linear methods are covered, followed by a discussion of recent efforts to further improve parallel imaging using machine learning, and specifically using artificial neural networks. Image-domain based techniques that introduce improved regularizers are covered as well as k-space based methods, where the focus is on better interpolation strategies using neural networks. Issues and open problems are discussed as well as recent efforts for producing open datasets and benchmarks for the community.

研究の動機と目的

• マルチコイル並列MRIの基礎と再構成の課題を説明する。
• 線形および非線形の従来法（SENSE, GRAPPA, SPIRiT）と undersampling による制約を概説する。
• 画像ドメインと k-space 並列MRI再構成の機械学習フレームワークを紹介・評価する。
• 機械学習駆動の並列画像化を加速させるオープンな課題・データセット・ベンチマークを強調する。

提案手法

• 並列MRI再構成の画像ドメイン vs. k-space 形式を議論する。
• 機械学習ベースの方法の基礎として、非線形正則化と圧縮感知を説明する。
• 画像ドメイン再構成のニューラルネットワーク風のアンローリング反復法（Variational Networks、learned regularizers など）を提示する。
• スキャン特異的およびデータベース駆動のk-space補間法（RAKI、DeepSPIRiT など）を説明する。
• 低ランク/ Hankel ベースおよびカーネルベースの学習アプローチ（SAKE、LORAKS、ALOHA など）を要約する。

実験結果

リサーチクエスチョン

• RQ1 古典的な正則化よりも、並列MRI再構成を改善する機械学習戦略は何か。
• RQ2 画像ドメインと k-space の ML アプローチは、undersamplingとコイルデータの取り扱いにおいてどう比較されるか。
• RQ3 学習済みモデルはCG-SENSE/GRAPPAと同等またはそれ以上の品質でアーチファクト抑制を達成できるか、さまざまなサンプリング方式の下で。
• RQ4 MLベースの並列イメージングの実用的考慮事項（データ要件、キャリブレーション、計算）とは。
• RQ5 機械学習法を評価するためのオープンデータセットとベンチマークには何があるか。

主な発見

• MLベースの画像ドメイン再構成は、従来の CG-SENSE および TGV ベースの方法に比べ、アーチファクト抑制と特徴保持で上回ることがある（報告された比較で高い SSIM）。
• k-space 学習補間法（例：RAKI、DeepSPIRiT）は GRAPPA/SPIRiT と比較してノイズ増幅を低減するが、スキャン特異的キャリブレーションはトレードオフを生む。
• アンローリング型ニューラルネットワークは古典的な反復再構成を模倣し、データ適合性と学習された正則化子を用いたエンドツーエンド学習を可能にする。
• データベース学習済みおよびスキャン特異的 CNN は、完全なキャリブレーションデータなしで欠落した k-space 線を補間でき、さまざまな取得に対して柔軟に対応できる。
• 学習ベースの方法はマルチコイルデータを活用して再構成品質を向上させ、訓練済みであれば推論を高速化する可能性がある。