[論文レビュー] DuDoRNet: Learning a Dual-Domain Recurrent Network for Fast MRI Reconstruction with Deep T1 Prior

Bo Zhou, S. Kevin Zhou|arXiv (Cornell University)|Jan 11, 2020

Advanced MRI Techniques and Applications参考文献 35被引用数 16

ひとこと要約

DuDoRNetは、T1加重画像を深層priorとして用いることで、マルチスケールのk-spaceと画像データを同時に再構成する二重ドメイン再帰的ニューラルネットワークを提案する。拡張畳み込み残差密集ネットワークと再帰的精練、T1 priorの統合により、さまざまな加速率とスケーリングパターンで最先端の再構成品質を達成し、らせんスケーリング軌道では一貫してSSIMが0.99を超える。

ABSTRACT

MRI with multiple protocols is commonly used for diagnosis, but it suffers from a long acquisition time, which yields the image quality vulnerable to say motion artifacts. To accelerate, various methods have been proposed to reconstruct full images from under-sampled k-space data. However, these algorithms are inadequate for two main reasons. Firstly, aliasing artifacts generated in the image domain are structural and non-local, so that sole image domain restoration is insufficient. Secondly, though MRI comprises multiple protocols during one exam, almost all previous studies only employ the reconstruction of an individual protocol using a highly distorted undersampled image as input, leaving the use of fully-sampled short protocol (say T1) as complementary information highly underexplored. In this work, we address the above two limitations by proposing a Dual Domain Recurrent Network (DuDoRNet) with deep T1 prior embedded to simultaneously recover k-space and images for accelerating the acquisition of MRI with a long imaging protocol. Specifically, a Dilated Residual Dense Network (DRDNet) is customized for dual domain restorations from undersampled MRI data. Extensive experiments on different sampling patterns and acceleration rates demonstrate that our method consistently outperforms state-of-the-art methods, and can reconstruct high-quality MRI.

研究の動機と目的

• 既存の深層学習手法が単一の画像ドメインでのみ動作し、アンダーサンプリングMRIにおいて非局所的構造アーリアスアーチファクトを適切に処理できないという限界を是正すること。
• 完全にサンプリングされたT1加重画像を補助priorとして活用し、長時間プロトコルMRIスキャンにおける再構成品質を向上させること。
• 画像とk-space再構成を交互に精錬する再帰的で二重ドメインのフレームワークを構築し、特徴抽出と一貫性を向上させること。
• さまざまなスケーリングパターン（直交、ラジアル、らせん）と高加速率下でも安定的かつ高忠実度のMRI再構成を達成すること。

提案手法

• k-spaceおよび画像ドメインの両方で長距離依存性を捉え、特徴表現を強化するため、拡張畳み込み残差密集ネットワーク（DRDNet）を設計する。
• 5つの再帰的ブロック（N_rec = 5）を有する再帰的アーキテクチャを採用し、画像およびk-space再構成の反復的精錬を可能にする。
• 各再帰的ブロックには、画像ドメインとk-spaceドメインの両方にデータ整合性（DC）層が1つずつ含まれており、両ドメイン間の一貫性を保証する。
• 各再帰的ブロックに深層T1 priorを統合し、完全にサンプリングされたT1加重画像からの解剖学的priorを提供することで、復元プロセスをガイドする。
• ペアドされたアンダーサンプルk-spaceデータと完全にサンプリングされた画像データを用いて、エンドツーエンドでモデルを学習し、構造的類似性と知覚的品質を最適化する損失関数を採用する。
• 複数のスケーリングパターンをサポートし、加速率（R = 2から6）を変化させた評価において、強靭性と一般化性能を示す。

Figure 1 : The architecture of our proposed Du al Do main R ecurrent Net work ( DuDoRNet ). DC denotes the data consistency layer. Each recurrent block contains one network for image domain restoration and one network for k-space domain restoration with two interleaved DC.

実験結果

リサーチクエスチョン

• RQ1 単一ドメイン手法と比較して、二重ドメイン再帰的ネットワークは、アンダーサンプリングMRI再構成における構造的アーリアスアーチファクトを効果的に低減できるか？
• RQ2 完全にサンプリングされたT1加重画像をpriorとして組み込むことで、高速MRI再構成の品質と安定性はどのように向上するか？
• RQ3 複数のイテレーションにわたる再帰的精錬は、k-spaceおよび画像ドメインの両方における再構成忠実度をどの程度向上させるか？
• RQ4 高加速率下で、異なるk-spaceスケーリングパターン（直交、ラジアル、らせん）におけるDuDoRNetの性能はどのように変動するか？
• RQ5 個々の構成要素（再帰的学習、二重ドメイン学習、拡張畳み込み残差密集ブロック）が総合的再構成性能に果たす寄与度はどの程度か？

主な発見

• らせんスケーリングパターンでは、R=2からR=6の全加速率で、構造的類似性指数（SSIM）が0.99を超える安定性を示した。
• R=6では、らせんパターンでSSIMが0.991、ラジアルパターンで0.989を達成し、すべてのベースラインを顕著に上回った。
• 直交パターンでもR=6でSSIMが0.95以上を維持し、次善の手法と比較して0.05の改善を示した。
• アブレーションスタディの結果、再帰的学習、二重ドメイン精錬、拡張畳み込み残差密集ブロックの組み合わせが最も高い性能向上をもたらし、ベースライン比平均SSIMで0.057の増加を確認した。
• T1 priorの導入により、細かな解剖学的構造の保持や構造的損失の低減が一貫して向上し、再構成品質が向上した。
• 再帰的ブロック数の増加に伴い性能が単調に向上し、N_rec = 3で収束が確認されたことから、それ以降は利得が減少する傾向にあることが示された。

Figure 2 : The architecture of our D ilated R esidual D ense Network ( DRD-Net ) with building modules of SDRDB shown in Figure 3 . The input can be either $x_{u}$ in image domain or $k_{u}$ in k-space domain. Convolution operation is followed by ReLU.