[論文レビュー] Deep MR Fingerprinting with total-variation and low-rank subspace priors

Mohammad Golbabaee, Carolin M. Pirkl+3 more|arXiv (Cornell University)|May 16, 2019

Advanced MRI Techniques and Applications被引用数 3

ひとこと要約

本論文では、深層学習に基づくMRF（磁気共鳴分光法）再構成手法を提案し、総変動（total-variation）と低ランク部分空間の事前知識を、加速化された反復的フレームワークに統合することで、ニューラルネットワークにデータを入力する前にアンダーサンプリングアーティファクトを抑制する。この手法は、推論時に辞書に依存せずに空間的に相関する汚染を低減し、合成データおよび生体内データの両方で画像品質を向上させる。

ABSTRACT

Deep learning (DL) has recently emerged to address the heavy storage and computation requirements of the baseline dictionary-matching (DM) for Magnetic Resonance Fingerprinting (MRF) reconstruction. Fed with non-iterated back-projected images, the network is unable to fully resolve spatially-correlated corruptions caused from the undersampling artefacts. We propose an accelerated iterative reconstruction to minimize these artefacts before feeding into the network. This is done through a convex regularization that jointly promotes spatio-temporal regularities of the MRF time-series. Except for training, the rest of the parameter estimation pipeline is dictionary-free. We validate the proposed approach on synthetic and in-vivo datasets.

研究の動機と目的

• 辞書マッチングの限界を是正すること。特に、高コストなストレージと計算負荷の問題を解消するため。
• 反復しないバックプロジェクション法で画像品質を低下させるアンダーサンプリングに起因する空間的に相関するアーティファクトを低減すること。
• 深層学習の推論の前に、スパatio-時間的正則化を活用した高速化された反復的再構成フレームワークを開発すること。
• トレーニング後、パrameter推定パイプラインにおける辞書の必要性を排除し、推論効率を向上させること。
• 本手法の妥当性と臨床的意義を確認するため、合成データおよび生体内データの両方で検証すること。

提案手法

• 深層学習の推論の前にアンダーサンプリングアーティファクトを低減するため、加速化された反復的再構成が導入される。
• MRF時間系列において、総変動と低ランク部分空間構造を同時に促進する凸正則化が採用される。
• 動的MRF信号における空間的・時間的整合性を、空間的および時間的両方の共同スパarsityによって強制する。
• 深層学習ネットワークは、反復的再構成によって事前処理された画像上で学習され、生のアンダーサンプリングデータに直接露出させない。
• トレーニング後、全パrameter推定パイプラインが辞書フリーとなるため、計算コストが低減される。
• 差分可能再構成モジュールをネットワーク学習に統合することで、エンドツーエンド最適化が実現される。

実験結果

リサーチクエスチョン

• RQ1 総変動と低ランク事前知識を有する反復的再構成は、MRFにおける空間的に相関するアンダーサンプリングアーティファクトを効果的に低減できるか？
• RQ2 反復しないバックプロジェクション法と比較して、深層学習の前段階でこのような事前知識を統合することで、再構成品質が向上するか？
• RQ3 辞書フリーの推論パイプラインは、計算コストを削減しながらどれほど高い精度を維持できるか？
• RQ4 本手法は、ベースラインの辞書マッチング法および深層学習手法と比較して、生体内データにおいてどのように性能を発揮するか？
• RQ5 共同スパatio-時間正則化は、動的MRF時間系列における信号の一貫性を向上させ、ノイズを低減できるか？

主な発見

• 提案手法は、アンダーサンプリングに起因する空間的に相関するアーティファクトを顕著に低減し、画像品質を向上させる。
• 総変動と低ランク事前知識の統合により、再構成済みMRF時間系列のスパatio-時間的一致性が向上する。
• 反復的前処理済みデータを入力としたネットワークは、反復しないバックプロジェクション法と比較して、より優れた再構成忠実度を達成する。
• 辞書フリーのパrameter推定が可能となり、推論の複雑さとストレージ要件が低減される。
• 生体内データでの検証により、本手法の頑健性と臨床的意義が確認された。
• 加速化された反復的フレームワークは、再構成精度と計算効率の両立に効果的に寄与した。