[論文レビュー] DIMENSION: Dynamic MR Imaging with Both K-space and Spatial Prior Knowledge Obtained via Multi-Supervised Network Training

Shanshan Wang, Ziwen Ke+5 more|arXiv (Cornell University)|Sep 30, 2018

Advanced MRI Techniques and Applications参考文献 30被引用数 9

ひとこと要約

本論文は、k-spaceと空間的事前知識をマルチ監視学習による統合を通じて、動的MR画像再構成のための深層学習手法DIMENSIONを提案する。周波数ドメインと空間ドメインの両方のネットワークを多段階の監視で同時に最適化することで、最先端の手法と比較して優れた再構成精度と高速な推論を達成し、特に高加速要因下でも顕著な性能向上を示す。

ABSTRACT

Dynamic MR image reconstruction from incomplete k-space data has generated great research interest due to its capability in reducing scan time. Nevertheless, the reconstruction problem is still challenging due to its ill-posed nature. Most existing methods either suffer from long iterative reconstruction time or explore limited prior knowledge. This paper proposes a dynamic MR imaging method with both k-space and spatial prior knowledge integrated via multi-supervised network training, dubbed as DIMENSION. Specifically, the DIMENSION architecture consists of a frequential prior network for updating the k-space with its network prediction and a spatial prior network for capturing image structures and details. Furthermore, a multisupervised network training technique is developed to constrain the frequency domain information and reconstruction results at different levels. The comparisons with classical k-t FOCUSS, k-t SLR, L+S and the state-of-the-art CNN-based method on in vivo datasets show our method can achieve improved reconstruction results in shorter time.

研究の動機と目的

• 高度にアンダーサンプルされたk-spaceデータから動的MR画像を再構成する課題に、より高い精度と速度で対処すること。
• 反復的で遅延の大きい伝統的な圧縮センシング手法の限界を克服し、多段階の監視が欠如している単一監視の深層学習モデルの欠点を解消すること。
• 周波数ドメイン（k-space）と画像ドメイン（空間領域）からの補完的で事前知識を統合し、再構成の忠実度を向上させること。
• 異なるネットワークレベルに階層的な監視を提供するマルチ監視学習戦略を開発し、一般化性能と詳細の保持を向上させること。

提案手法

• 周波数事前知識ネットワークがk-spaceデータを予測・更新するためのクロスドメインネットワークアーキテクチャを設計し、空間事前知識ネットワークが画像の詳細を再構成する。
• 複数の段階で監視を適用するマルチ監視損失関数戦略を実装：完全にサンプリングされたk-spaceに対する予測k-spaceの制約を目的とするk-space損失、および異なる段階での画像再構成をガイドする空間損失。
• k-space損失、空間損失、および全変動に類似した正則化項の重み付き組み合わせをバックプロパゲーションにより最適化。
• 時間的および空間的冗長性を活用し、アンダーサンプル済みおよび完全にサンプリング済みの動的MRデータセットのペアを用いて、エンドツーエンドでネットワークを学習。
• 適応的損失重み付けを含むマルチステージ学習プロトコルを適用し、ハイパーパrameter β₁, β₂, β₃ をアブレーションにより調整してk-spaceと空間再構成の忠実度をバランスさせる。
• 検証性能に基づき最適な設定（β₁=10⁻⁶, β₂=10⁻⁵, β₃=10⁻⁴）を特定し、最終的なDIMENSION-SLoss1モデルを構築。

実験結果

リサーチクエスチョン

• RQ1 k-spaceと空間ドメインの事前知識を同時に最適化することで、単一ドメイン手法と比較して動的MR再構成の精度が向上するか？
• RQ2 階層的監視を持つマルチ監視学習が、微細な画像構造の保持とアリゼーションアーチファクトの低減に寄与するか？
• RQ3 k-spaceと空間的事前知識を統合することで、反復的圧縮センシング手法と比較して再構成速度と収束性にどのような影響を与えるか？
• RQ4 動的対照増強MRIにおいて、PSNR、SSIM、MSEの観点から、k-spaceと空間ドメインの損失項の最適なバランスは何か？
• RQ5 提案手法は、ファインチューニングなしに異なる加速要因や生体データセットに一般化可能か？

主な発見

• DIMENSION-SLoss1モデルはテストセットでPSNR 40.8160 dB、SSIM 0.9918を達成し、ゼロフィルティング（PSNR: 23.6684 dB、SSIM: 0.8169）および他のベースライン手法を著しく上回った。
• 比較手法の中で最小のMSE 0.000083を達成し、優れた再構成精度を示した。
• DIMENSION-SLoss1はDIMENSION-SLoss2よりもわずかに優れた定量的指標を示し、PSNRとSSIMが高く、最終モデルとしての選定が正当化された。
• 提案されたマルチ監視学習戦略は、アリゼーションアーチファクトを効果的に低減し、特に高加速要因下でも微細な解剖的詳細を良好に保持した。
• k-t FOCUSS や k-t SLR といった反復的手法と比較して、推論時間が高速でありながら、同等またはそれ以上の再構成品質を維持した。
• アブレーションスタディにより、適応的重み付け（β₁=10⁻⁶, β₂=10⁻⁵, β₃=10⁻⁴）を有するマルチ監視損失関数が、すべての指標で最良の総合的性能を達成したことが確認された。