[論文レビュー] Extending LOUPE for K-space Under-sampling Pattern Optimization in Multi-coil MRI

Jinwei Zhang, Hang Zhang+6 more|arXiv (Cornell University)|Jul 28, 2020

Advanced MRI Techniques and Applications参考文献 27被引用数 8

ひとこと要約

本論文は、実臨床的マルチコイルk空間データを学習データとして用いることで、マルチコイルMRIにおけるk空間アンダーサンプリングパターン最適化のためのLOUPEフレームワークを拡張する。勾配上で微分可能なサンプリングを実現するため、ストレートスルー推定器を用いたバイナリーストキャスティックサンプリング層を導入し、アンロールド最適化ネットワークを変更して再構成を改善している。本手法は、優れた画像再構成性能（PSNR: 42.6 dB、SSIM: 0.968）を達成し、従来の手作業で設計された可変密度パターンと比較して、一般的な再構成手法に組み込んでもより優れた一般化性能を示す。

ABSTRACT

The previously established LOUPE (Learning-based Optimization of the Under-sampling Pattern) framework for optimizing the k-space sampling pattern in MRI was extended in three folds: firstly, fully sampled multi-coil k-space data from the scanner, rather than simulated k-space data from magnitude MR images in LOUPE, was retrospectively under-sampled to optimize the under-sampling pattern of in-vivo k-space data; secondly, binary stochastic k-space sampling, rather than approximate stochastic k-space sampling of LOUPE during training, was applied together with a straight-through (ST) estimator to estimate the gradient of the threshold operation in a neural network; thirdly, modified unrolled optimization network, rather than modified U-Net in LOUPE, was used as the reconstruction network in order to reconstruct multi-coil data properly and reduce the dependency on training data. Experimental results show that when dealing with the in-vivo k-space data, unrolled optimization network with binary under-sampling block and ST estimator had better reconstruction performance compared to the ones with either U-Net reconstruction network or approximate sampling pattern optimization network, and once trained, the learned optimal sampling pattern worked better than the hand-crafted variable density sampling pattern when deployed with other conventional reconstruction methods.

研究の動機と目的

• マグニチュード画像からのシミュレートk空間データではなく、実臨床的マルチコイルk空間データを用いて学習することで、マルチコイルMRIにおけるk空間アンダーサンプリングパターン最適化の性能を向上させること。
• サンプリングパターン最適化における学習の微分可能性を向上させるために、近似確率的サンプリングの代わりにストレートスルー推定器を用いたバイナリーストキャスティックサンプリング層を導入すること。
• 大規模な学習データセットへの依存度を低減させるために、学習可能な正則化項を備えた変更版アンロールド最適化ネットワークを採用し、マルチコイルデータ再構成に適応させること。
• 学習済みのサンプリングパターンが、ESPIRiT や TGV といった一般的な再構成手法と組み合わせた場合に、従来の可変密度パターンよりも優れた一般化性能を示すかどうかを評価すること。

提案手法

• 臨床的MRスキャナから得た完全にスキャンされた実臨床的マルチコイルk空間データを後向きにアンダーサンプリングし、元のLOUPEで用いられるシミュレートk空間データに代わる。
• サンプリングパターン学習における非微分可能なしきい値処理を勾配上で勾配を逆伝播可能にするために、ストレートスルー推定器を用いたバイナリーストキャスティックサンプリング層を導入。
• U-Netを置き換えるために、学習可能な正則化項を備えた変更版アンロールド最適化ネットワークを採用し、適切なデータ整合性を保ちながらマルチコイルMRIデータをよりよく再構成すること。
• 完全にスキャンされたk空間からの真値画像と中間再構成画像の間のL1損失を用いて、サンプリングパターン最適化ネットワークと再構成ネットワークを共同で学習。
• 中央25×25k空間領域を完全にサンプリングする10%の固定アンダーサンプリング比を採用し、RTX 2080Ti GPU上で200エポックにわたりAdam最適化手法を用いて学習。

実験結果

リサーチクエスチョン

• RQ1 マグニチュード画像からのシミュレートk空間データではなく、実臨床的マルチコイルk空間データを用いて学習することで、k空間サンプリングパターン最適化の性能が向上するか？
• RQ2 ストレートスルー推定器を用いたバイナリーストキャスティックサンプリング層は、LOUPEで用いられる近似確率的サンプリングを上回る性能を示すか？
• RQ3 変更版アンロールド最適化ネットワークは、U-Netと比較して、マルチコイルMRI再構成において大規模な学習データセットへの依存度を低減し、再構成品質を向上させるか？
• RQ4 ESPIRiT や TGV といった一般的な再構成手法と組み合わせた場合に、学習済みのサンプリングパターンは、従来の手作業で設計された可変密度パターンよりも優れた一般化性能を示すか？

主な発見

• MoDL + BS（バイナリーサンプリングとST推定器を備えたアンロールドネットワーク）の設定が、テストデータにおいて最高のPSNR 42.6 ± 1.1 dBおよびSSIM 0.968 ± 0.012を達成し、他のすべての組み合わせを上回った。
• 再構成画像および誤差マップの視覚的評価から、U-NetおよびASバージョンと比較して、MoDL + BS設定はノイズを顕著に低減し、構造的詳細を改善した。
• すべての再構成手法（ESPIRiT、TGV、MoDL）において、学習済みのサンプリングパターンは可変密度（VD）パターンを一貫して上回り、より高いPSNRおよびSSIM値を達成した。
• 従来の再構成手法に組み込んだ場合、絶対誤差マップから、学習済みのサンプリングパターンはVDパターンと比較して、より低いグローバル誤差と鋭い構造的詳細を示した。
• 本手法は優れた一般化性能を示した。一度訓練が完了すれば、非学習型再構成アルゴリズムに対しても、最適なサンプリングパターンが再構成性能を向上させた。