[論文レビュー] DeepcomplexMRI: Exploiting deep residual network for fast parallel MR imaging with complex convolution

Shanshan Wang, Huitao Cheng+6 more|arXiv (Cornell University)|Jun 11, 2019

Advanced MRI Techniques and Applications参考文献 52被引用数 17

ひとこと要約

DeepcomplexMRI は、多チャンネル k 空間データを活用し、ネットワーク層間でデータ整合性を強制することで、並列 MRI 再構成を高速化するための複素数値畳み込みを備えた深層残差畳み込みニューラルネットワークを提案する。実画像データセットにおいて、MR 画像の実部と虚部の相関をモデル化することで、最先端の手法を上回る優れた画像品質を達成する。

ABSTRACT

This paper proposes a multi-channel image reconstruction method, named DeepcomplexMRI, to accelerate parallel MR imaging with residual complex convolutional neural network. Different from most existing works which rely on the utilization of the coil sensitivities or prior information of predefined transforms, DeepcomplexMRI takes advantage of the availability of a large number of existing multi-channel groudtruth images and uses them as labeled data to train the deep residual convolutional neural network offline. In particular, a complex convolutional network is proposed to take into account the correlation between the real and imaginary parts of MR images. In addition, the k space data consistency is further enforced repeatedly in between layers of the network. The evaluations on in vivo datasets show that the proposed method has the capability to recover the desired multi-channel images. Its comparison with state-of-the-art method also demonstrates that the proposed method can reconstruct the desired MR images more accurately.

研究の動機と目的

• スキャン時間を短縮しつつ画像品質を維持するため、並列 MRI 取得を高速化すること。
• 複素数値ニューラルネットワークを用いて、MR 画像の実部と虚部の相関を活用すること。
• 深層残差ネットワークアーキテクチャ内で k 空間データ整合性を強制することで、再構成精度を向上させること。
• コイル感度マップや事前定義された変換（例：ウェーブレット、フーリエ変換）に依存せずに、大規模なマルチチャンネル MR 画像ペアを用いて深層学習モデルを訓練すること。
• エンドツーエンドで学習可能なフレームワークを用いて、高速 MRI 再構成で最先端の性能を達成すること。

提案手法

• MR 画像の実部と虚部の関係を統合的にモデル化するため、複素数値畳み込みを備えた深層残差ネットワークが採用される。
• 多数のマルチチャンネル k 空間データペアを教師ラベルとして用いて、エンドツーエンドで学習される。
• 再構成画像を k 空間ドメインに再投影することで、ネットワーク層間で反復的にデータ整合性が強制される。
• 複素数値フィルタを用いることで、ネットワーク全体で位相と振幅情報が保持され、表現の忠実度が向上する。
• 複素数畳み込み層とデータ整合性層を交互に配置することで、再構成を段階的に改善する。
• 本手法は、コイル感度やウェーブレットやフーリエ変換などの変換ドメインに関する事前知識を必要としない。

実験結果

リサーチクエスチョン

• RQ1 複素数値畳み込みを備えた深層残差ネットワークは、アンダーサンプリングされた k 空間データからマルチチャンネル MR 画像を効果的に再構成できるか？
• RQ2 ネットワーク層内での k 空間データ整合性の強制が、再構成精度と画像品質に与える影響は何か？
• RQ3 データ駆動型アプローチは、コイル感度マップや変換ドメインの事前知識に依存する従来手法をどの程度上回るか？
• RQ4 MR 画像の実部と虚部の相関をモデル化することで、実数値ネットワークに比べて再構成品質が向上するか？
• RQ5 定量的指標と視覚的品質の観点から、本手法は最先端の深層学習手法と比較してどの程度優れているか？

主な発見

• 提案された DeepcomplexMRI メソッドは、実画像 MRI データセットにおいて、最先端の手法を上回る高い再構成精度を達成した。
• 複素数値畳み込みの使用により、ネットワーク全体で位相と振幅の関係が保持され、画像品質が著しく向上した。
• 残差ネットワーク内での k 空間データ整合性の反復的強制により、収束性が向上し、アーチファクトが低減した。
• 定量的指標と視覚的評価の両方において、実数値ネットワークを上回る性能を示し、複素数値学習の重要性を実証した。
• 再トレーニングを必要とせず、異なる解剖的領域や加速係数に対しても良好な一般化性能を示した。
• コイル感度マップや事前定義された変換事前知識に依存せず、大規模なラベル付きデータにのみ依存することで、優れた性能を達成した。