[論文レビュー] Dual Objective Approach Using A Convolutional Neural Network for Magnetic Resonance Elastography

Ligin Solamen, Yipeng Shi+1 more|arXiv (Cornell University)|Dec 2, 2018

Ultrasound Imaging and Elastography参考文献 21被引用数 4

ひとこと要約

本論文は、磁気共鳴エラストグラフィー（MRE）の変位データを直接エラストグラムにマップする新規な畳み込みニューラルネットワーク（CNN）アーキテクチャを提案する。この手法は、平均二乗誤差（MSE）とヘルムホルツ方程式から導出された物理的インスピレーションを受ける損失関数を組み合わせた二重損失学習戦略を用いる。この方法は非線形逆問題解法と同等の高精度なエラストグラム再構成を達成し、深層学習を用いた効率的で正確なMRE組織剛性マッピングの可能性を示している。

ABSTRACT

Traditionally, nonlinear inversion, direct inversion, or wave estimation methods have been used for reconstructing images from MRE displacement data. In this work, we propose a convolutional neural network architecture that can map MRE displacement data directly into elastograms, circumventing the costly and computationally intensive classical approaches. In addition to the mean squared error reconstruction objective, we also introduce a secondary loss inspired by the MRE mechanical models for training the neural network. Our network is demonstrated to be effective for generating MRE images that compare well with equivalents from the nonlinear inversion method.

研究の動機と目的

• 従来の非線形逆問題解法の計算負荷と複雑さを克服するため、それらを深層学習手法に置き換えること。
• 機械的モデルの制約をニューラルネットワークの学習に組み込むことで、MREエラストグラム再構成の一般化性能と物理的妥当性を向上させること。
• 反復的逆問題アルゴリズムに依存せずに、CNNがMRE変位データからせん断率エラストグラムへの逆写像を直接学習できることを示すこと。
• さまざまな駆動周波数でシミュレートされたMREデータを用いて、提案手法の性能を標準的な非線形逆問題解法と比較すること。
• ヘルムホルツ方程式に基づく二次的損失関数が、深層学習ベースのエラストグラフィーの精度と頑健性をどのように向上させるかを調査すること。

提案手法

• ネットワークは、エンコーダーに4層の3次元畳み込み層、デコーダーに4層の転置畳み込み層を備えたエンコーダ-デコーダー型CNNアーキテクチャを採用し、64×64×3の変位データを処理して64×64のエラストグラムを再構成する。
• エンコーダーではプーリング層を用いずにストライド付き畳み込みを用いてダウンサンプリングを実行し、パラメータ数を削減するとともに空間情報を保持する。
• 予測されたエラストグラムと真値エラストグラムの画素単位の再構成精度を保証するため、主損失関数として平均二乗誤差（MSE）を用いる。
• 二次的損失関数は、簡略化されたヘルムホルツ方程式（μ∇²u = −ω²ρu）から導出され、せん断波伝播の背後にある機械的モデルとの整合性を強制する。
• ネットワークは、Tesla K80 GPU上でバッチサイズ64で2,500エポックにわたりAdam最適化アルゴリズムで訓練され、学習・テストに70/30の分割を用い、30%を検証用に割り当てた。
• 訓練データは、さまざまな駆動周波数（25–100 Hz）で軟部組織内でのせん断波伝播をシミュレートするポーラエラスティック力学モデルを用いて生成された。

実験結果

リサーチクエスチョン

• RQ1 従来の逆問題アルゴリズムに依存せずに、深層畳み込みニューラルネットワークがMRE変位データからエラストグラムへの逆写像を効果的に学習できるか。
• RQ2 ヘルムホルツ方程式から導出された物理的損失関数を組み込むことで、再構成エラストグラムの精度と物理的整合性はどのように向上するか。
• RQ3 二重損失学習戦略（MSE + 物理的損失）は、MSEオンリートレーニングに比べて、複雑な剛性パターンの再構成において優れた性能を示すか。
• RQ4 本手法は、脳MREで一般的な低コントラスト領域や高剛性変動を示す困難なケースにおいても、どのように性能を発揮するか。
• RQ5 異なる駆動周波数にわたって一般化でき、高い再構成忠実度を維持できるか。

主な発見

• 提案されたCNNは、全テスト駆動周波数において、標準的な非線形逆問題解法が生成するものと視覚的・定量的に同等のエラストグラムを再構成できた。
• 物理的インスピレーションを受ける損失関数の導入により、特に脳のように剛性変動が著しい領域で、機械的整合性をよりよく保持できるようになった。
• 高剛性勾配や低コントラスト領域を含む複雑なエラストグラムパターンに対しても、ネットワークは頑健な性能を示したが、低コントラスト領域ではわずかなずれが観察された。
• トレーニングにTesla K80 GPUで約2時間かかったため、反復的非線形逆問題解法に比べて顕著な高速化が達成された。
• 二重損失アプローチは、図3の視覚的比較によって示されるように、アーチファクトを低減し、構造的忠実度を向上させることで、MSEオンリートレーニングを上回る性能を示した。
• 従来のMRE向け深層学習手法で必須とされていたピクチャーパーティションングなどの前処理ステップを回避でき、効率的な処理が可能になった。