[論文レビュー] Fast Data-Driven Learning of MRI Sampling Pattern for Large Scale Problems

Marcelo V. W. Zibetti, Gábor T. Herman+1 more|arXiv (Cornell University)|Nov 4, 2020

Sparse and Compressive Sensing Techniques参考文献 77被引用数 5

ひとこと要約

本稿では、並列MRIにおける効率的なk空間サンプリングパターンの学習のための高速なデータ駆動型最適化手法BASSを提案する。トレーニングデータと再構成固有の基準を活用することで、BASSはグリーディー手法と比較して100倍速いサンプリングパターンの学習を実現し、再構成品質を最大45%向上させたり、品質損ないなしにスキャン時間を半減させたりする。これにより、高解像度および定量的MRI応用分野における最適なサンプリング-再構成ペアの選択が可能になる。

ABSTRACT

Purpose: A fast data-driven optimization approach, named bias-accelerated subset selection (BASS), is proposed for learning efficacious sampling patterns (SPs) with the purpose of reducing scan time in large-dimensional parallel MRI. Methods: BASS is applicable when Cartesian fully-sampled k-space data of specific anatomy is available for training and the reconstruction method is specified, learning which k-space points are more relevant for the specific anatomy and reconstruction in recovering the non-sampled points. BASS was tested with four reconstruction methods for parallel MRI based on low-rankness and sparsity that allow a free choice of the SP. Two datasets were tested, one of the brain images for high-resolution imaging and another of knee images for quantitative mapping of the cartilage. Results: BASS, with its low computational cost and fast convergence, obtained SPs 100 times faster than the current best greedy approaches. Reconstruction quality increased up to 45\% with our learned SP over that provided by variable density and Poisson disk SPs, considering the same scan time. Optionally, the scan time can be nearly halved without loss of reconstruction quality. Conclusion: Compared with current approaches, BASS can be used to rapidly learn effective SPs for various reconstruction methods, using larger SP and larger datasets. This enables a better selection of efficacious sampling-reconstruction pairs for specific MRI problems.

研究の動機と目的

• 大規模な並列MRIにおけるデータ駆動型サンプリングパターン学習の最適化が遅いという課題に対処すること。
• 大規模データセットと多様な再構成手法を用いて、計算的に効率的なサンプリングパターンの迅速な学習を可能にする手法を開発すること。
• 一般的なパターン（変動密度やポアソンディスクなど）ではなく、特定の再構成アルゴリズムに適合させたサンプリングパターンを用いることで、画像再構成品質を向上させること。
• 臨床および研究応用分野における臨床的スキャンの実用的加速を可能にするために、最適なサンプリング-再構成ペアの特定を可能にすること。
• 高速でデータ駆動型のサンプリングパターン最適化を通じて、臨床MRIにおける加速要因の向上を支援すること。

提案手法

• BASSは、再構成誤差の低減に基づいて複数のk空間点を反復的に追加・削除することで、サンプリングパターンを最適化するバイアス加速型サブセット選択戦略を採用する。
• 各候補点の影響を評価するためにk空間誤差基準（式2）を用い、再構成忠実度を最も高める点を優先的に選択する。
• 特定の解剖学的構造からの完全サンプリングk空間データをトレーニング入力として活用し、特定の再構成手法に適合させることで、手法固有の最適化を実現する。
• 1回のイテレーションで複数点（バッチ更新）を処理するグリーディーに類似したアプローチを採用することで収束を加速し、1点更新手法と比較して計算コストを低減する。
• 大規模データセットおよび大規模なサンプリングパターンに対しても効率的にスケーリング可能であり、3次元および定量的MRI応用に適している。
• 画像ドメインの指標（NRMSEやSSIMなど）を含む多様な再構成基準をサポートし、異なる最適化目的に適応可能である。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型サンプリングパターン学習手法は、大規模なMRI問題において、既存のグリーディー手法と比較して著しく高速な収束を達成できるか？
• RQ2 特定の再構成手法に適合して最適化されたサンプリングパターンは、変動密度やポアソンディスクなどの一般パターンと比較して、画像再構成品質を向上させることができるか？
• RQ3 最適化されたサンプリングパターンは、画像品質を維持または向上させながら、どの程度スキャン時間を短縮できるか？
• RQ4 異なる再構成手法および加速要因において、最適化されたサンプリングパターンの性能はどのように変化するか？
• RQ5 時間的に変化するサンプリングレート（例：T1ρマッピングに有益な）を効果的に学習できるか？

主な発見

• BASSは、現在の最良のグリーディー手法と比較して、サンプリングパターンの最適化を100倍速く実現し、大規模データセット上での迅速な学習を可能にした。
• 同じスキャン時間内において、BASSで学習されたサンプリングパターンを用いることで、変動密度やポアソンディスクパターンと比較して再構成品質が最大45%向上した。
• 最適化されたサンプリングパターンを用いることで、同じ画像品質をほぼ半分のスキャン時間で達成でき、加速要因を2倍に効果的に向上させた。
• 最適なサンプリングパターンは再構成手法に大きく依存しており、サンプリングと再構成を適合させることの重要性を示した。
• 高加速要因において、最適化されたサンプリングパターンの利点が顕著に増大し、誤差曲線が平坦化し、性能が著しく向上した。
• 非一様で時間的に変化するサンプリングパターン（T1ρマッピングに有益）を効果的に学習した。これにより、複雑な臨床応用への適応性が示された。