[論文レビュー] Deep Simultaneous Optimisation of Sampling and Reconstruction for Multi-contrast MRI

Xinwen Liu, Jing Wang+4 more|arXiv (Cornell University)|Mar 31, 2021

Medical Image Segmentation Techniques参考文献 7被引用数 4

ひとこと要約

本論文は、1つのコントラスト（例：T1WI）からの補完的情報を活用して、別のコントラスト（例：T2WI）のサブサンプリングと再構成を最適化する、深層学習フレームワークAR-netを提案する。本手法は、加速率が10に達するまで平均PSNR >35 dBおよびSSIM >0.98を達成し、従来のサンプリングパターンや単一コントラスト手法を上回る優れた画像品質を実現する。

ABSTRACT

MRI images of the same subject in different contrasts contain shared information, such as the anatomical structure. Utilizing the redundant information amongst the contrasts to sub-sample and faithfully reconstruct multi-contrast images could greatly accelerate the imaging speed, improve image quality and shorten scanning protocols. We propose an algorithm that generates the optimised sampling pattern and reconstruction scheme of one contrast (e.g. T2-weighted image) when images with different contrast (e.g. T1-weighted image) have been acquired. The proposed algorithm achieves increased PSNR and SSIM with the resulting optimal sampling pattern compared to other acquisition patterns and single contrast methods.

研究の動機と目的

• 共通の解剖学的情報を活用して、マルチコントラスト画像のためのサンプリングパターンと再構成を統合的に最適化することで、MRIスキャンの高速化を図ること。
• 従来の手法が再構成にのみ注目し、最適なサンプリングパターン設計を無視するという限界を是正すること。
• 補完的コントラスト情報（例：T1WI）を活用して、ターゲットコントラスト（例：T2WI）のサブサンプリングをガイドすることで、画像品質の向上とスキャン時間の短縮を実現すること。
• 最適なサンプリングマスクと再構成モデルを統合的に学習するエンドツーエンドの深層学習フレームワークの開発。
• 取得と再構成の統合的最適化が、逐次的または単一コントラストアプローチよりも優れたパフォーマンスをもたらすことを実証すること。

提案手法

• 提案されたAR-netは、k-spaceにおける最適化されたサンプリングパターンを学習する取得ネットワークと、U-Netに基づく画像回復のための再構成ネットワークからなる統合ネットワークである。
• 取得ネットワークは、大きな勾配を持つシグモイド活性化関数とℓ₁-ノルムスパarsity制約を用い、離散的サンプリングを近似する。これにより、サンプリングすべきk-space位置の確率マップが得られる。
• サンプリングマスクは、学習された確率マップをしきい値処理することで導出され、サンプリングされた位置に1、それ以外に0を持つバイナリマスクが得られる。
• 再構成ネットワーク（Recon-net）は、ゼロパディングを施したサブサンプルT2WIと、対応するT1WIを入力層で連結することで、コントラスト間の相関情報を活用する。
• モデルは平均絶対誤差（MAE）損失と、学習率0.0005で最適化するAdamオプティマイザを用いて、再構成誤差を最小化するように訓練される。
• フレームワークは、BraTS2019データセットの2次元脳MRIスライスを用いて訓練され、[0,1]に正規化され、最大加速率10（240本中の22本のk-spaceライン）での未学習データに対するテストが実施された。

実験結果

リサーチクエスチョン

• RQ1 1つのMRIコントラスト（例：T1WI）からの補完的情報を活用することで、別のコントラスト（例：T2WI）のサンプリングパターン最適化が向上するか。
• RQ2 サンプリングパターンと再構成ネットワークの統合的最適化は、それらを別々に最適化するか、従来のサンプリングパターンを用いる場合と比較して、より優れた画像品質をもたらすか。
• RQ3 再構成ネットワークにマルチコントラスト情報を組み込むことで、高加速率下でのパフォーマンスにどのような影響を与えるか。
• RQ4 提案された深層学習フレームワークは、加速率が10に達するまで、高品質な画像再構成を達成し、診断的整合性を維持できるか。
• RQ5 提案手法は、標準的なサンプリングパターン（例：中心集中型、等間隔型、ガウス型）および単一コントラスト再構成ベースラインと比較して、定量的にどのように優れているか。

主な発見

• 本手法は、加速率が10に達するまで平均PSNRが35 dBを超える、SSIMが0.98を超える、高品質な画像再構成を達成した。
• 学習されたサンプリングパターンは、低分解能、等間隔、ガウスマスクなどの従来のパターンと比較して、PSNRおよびSSIMの観点で顕著に優れた性能を示した。
• 再構成時にT1WIを参照として組み込むことで、高加速率下でも単一コントラストT2WI再構成と比較して性能が向上した。
• 本手法の誤差マップは、アーチファクトとノイズが低減されており、構造的保存性に優れたより正確な再構成を示している。
• AR-netによるサンプリングと再構成の統合的最適化は、逐次的最適化や単体の再構成手法と比較して、優れた結果をもたらした。
• 本手法は未学習データに良好に一般化され、BraTS2019データセットの2,165スライスからなるテストセット全体で一貫したパフォーマンスを示した。