[論文レビュー] Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN)

Fernando Vega, Abdoljalil Addeh+1 more|arXiv (Cornell University)|Jul 12, 2023

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

本研究では、ペaired学習データを必要とせずに、模擬的な低磁場（70mT）MRIスキャンから高磁場、高SNRのMRI画像を再構築するためのノイズ除去Cycle-GANフレームワークを提案する。非ペアの3Tおよび低磁場MRI画像を活用することで、従来のノイズ除去オートエンコーダー（DAE）を上回り、平均PSNRが14.62%向上し、コントラストと構造的忠実度において優れた画像品質を達成した。これは、低磁場MRI強化に生成的深層学習を応用する可能性を示している。

ABSTRACT

In this work, a denoising Cycle-GAN (Cycle Consistent Generative Adversarial Network) is implemented to yield high-field, high resolution, high signal-to-noise ratio (SNR) Magnetic Resonance Imaging (MRI) images from simulated low-field, low resolution, low SNR MRI images. Resampling and additive Rician noise were used to simulate low-field MRI. Images were utilized to train a Denoising Autoencoder (DAE) and a Cycle-GAN, with paired and unpaired cases. Both networks were evaluated using SSIM and PSNR image quality metrics. This work demonstrates the use of a generative deep learning model that can outperform classical DAEs to improve low-field MRI images and does not require image pairs.

研究の動機と目的

• ペア画像データに依存せずに、低磁場MRI（70mT）における低SNRおよび低解像度の課題に対処すること。
• 画像の登録やアライメントを必要としない深層生成モデルを活用し、低磁場MRIの画像品質を向上させること。
• Cycle-GANが、模擬的な低磁場データから高磁場品質の画像を再構築する際、古典的ノイズ除去オートエンコーダー（DAE）を上回るかを評価すること。
• 高価な高磁場スキャナに依存するのを減らすために、非ペアデータを用いた高品質なMRI再構築パイプラインを構築すること。

提案手法

• 模擬的な低磁場MRIデータは、1mm³の等方的解像度を持つ3T T1強調MRI画像を1.5mm³にリサンプリングし、70mTの磁場強度を模倣するためリーマンノイズを追加することで生成された。
• 3D Cycle-GANアーキテクチャは、MONAI深層学習フレームワークを用いて実装され、500エポックにわたりエンドツーエンドで訓練された2つの生成器と2つの識別器から構成された。
• モデルは13層で構成され、ボトルネック部に9つのリサンプルブロックを備えており、DAEで一般的に用いられるU-Netアーキテクチャとは異なっている。非ペアの高磁場および低磁場画像分布を対象として動作する。
• 生成器は、低磁場のノイズのある画像を高磁場に類似したノイズ除去済み画像に変換し、逆方向の変換も学習する。識別器は、本物の画像と生成された画像を区別する。
• トレーニングプロセスではサイクル整合性が強制され、画像を変換して元に戻しても元のコンテンツが保持されることが保証される。
• 性能評価は、未学習のテスト画像を用い、SSIMおよびPSNR指標を用いて実施され、Cycle-GANとペアデータで学習された標準的なDAEとの比較がなされた。

実験結果

リサーチクエスチョン

• RQ1 ペア学習画像を必要とせずに、Cycle-GANベースの手法が模擬的な低磁場MRI（70mT）のノイズ除去に効果的に機能するか。
• RQ2 PSNRおよびSSIMの観点から、Cycle-GANが生成した画像の品質は、従来のDAEのそれと比べてどうか。
• RQ3 低SNR・低解像度のMRI再構築において、Cycle-GANはDAEよりも解剖的構造とコントラストをよりよく保持するか。
• RQ4 非ペアの生成モデルは、ペアデータに依存するオートエンコーダーに基づく手法に比べて、低磁場MRIのノイズ除去においてどの程度優れているか。

主な発見

• Cycle-GANモデルは、未学習のテスト画像において、DAEよりも平均PSNRが14.62%高い結果を示し、優れたノイズ低減性能を示した。
• DAEはSSIMで1.15%高いスコアを記録したが、PSNRはノイズ比較においてより感受性が高く、Cycle-GANの高いPSNRは、より優れたノイズ低減能力を示している。
• 視覚的検査により、Cycle-GANが生成した画像は、DAEの出力と比較してコントラストが良く、エッジが鋭く、解剖的形状の再現性も優れていた。
• 画像ペアや登録を必要とせず、低磁場シミュレーションから高磁場品質の画像を正常に再構築できた。これは、分布シフトに対して強い耐性を示している。
• 非ペアデータにおけるモデルの性能は、ペアデータがしばしば入手困難な実世界の低磁場MRI応用に一般化できる可能性を示唆している。
• 結果から、ペアデータが入手困難な状況では、Cycle-GANがDAEの代替として低磁場MRI再構築に有効であることが示された。