[論文レビュー] GRAPPA-GANs for Parallel MRI Reconstruction

Nader Tavaf, Amirsina Torfi+2 more|arXiv (Cornell University)|Jan 5, 2021

Advanced MRI Techniques and Applications参考文献 28被引用数 9

ひとこと要約

本稿では、GeneRalized Autocalibrating Partial Parallel Acquisition (GRAPSA) と条件付き生成対抗ネットワーク (GAN) を組み合わせたハイブリッドディープラーニングフレームワーク、GRAPSA-GANs を提案する。データ整合性、知覚的特徴損失、敵対的学習を統合することで、アーチファクトとノイズを低減し、R=4 において正則化された GRAPSA と比較して 3.77 dB の PSNR 向上を達成するとともに、加速率が変化する中で顕著な SSIM の向上と RMSE の低減を実現した。

ABSTRACT

k-space undersampling is a standard technique to accelerate MR image acquisitions. Reconstruction techniques including GeneRalized Autocalibrating Partial Parallel Acquisition(GRAPPA) and its variants are utilized extensively in clinical and research settings. A reconstruction model combining GRAPPA with a conditional generative adversarial network (GAN) was developed and tested on multi-coil human brain images from the fastMRI dataset. For various acceleration rates, GAN and GRAPPA reconstructions were compared in terms of peak signal-to-noise ratio (PSNR) and structural similarity (SSIM). For an acceleration rate of R=4, PSNR improved from 33.88 using regularized GRAPPA to 37.65 using GAN. GAN consistently outperformed GRAPPA for various acceleration rates.

研究の動機と目的

• アンダーサンプリングされた k 空間データを用いた加速並列 MRI 再構成におけるアーチファクトとノイズの問題を解決すること。
• 画像品質の向上を図るために、従来の GRAPSA を深層生成モデリングを統合することで改善すること。
• 純粋な GAN 基盤の再構成で一般的に見られるホワリケーションや構造的不正確さを低減すること。
• 知覚的損失とデータ整合性損失を活用して、解剖学的正確性の向上とノイズ抑制を実現すること。
• fastMRI データセットのマルチコイルヒト脳 MRI を用いて、さまざまな加速係数の下で手法を検証すること。

提案手法

• 条件付き GAN アーキテクチャを採用し、U-Net をベースとする生成器と PatchGAN 判別器を用い、アンダーサンプリングされた k 空間データを再構成するように学習する。
• 生成器は残差スキップ接続と 3D 畳み込み層を備え、Leaky ReLU とバッチ正則化を用いて特徴の学習を実現する。
• 多成分損失関数は敵対的損失、L1/L2 再構成損失、データ整合性損失（λDC=30）、および事前学習済み InceptionV3 ネットワークを用いた知覚的特徴損失（λf=100）を組み合わせる。
• 中央部の ACS ラインを GRAPSA 校正用に保持するように、等間隔の k 空間アンダーサンプリングを実施し、ランダムな開始ラインを採用する。
• Adam 最適化アルゴリズムを用い、カスタム学習率スケジュールを適用して、100 人の被験者から得た 1600 枚の軸断層画像上でエンドツーエンドに学習を実施する。
• 1 つの NVIDIA Tesla V100 GPU を用いて 200 エポックにわたり学習を実施し、データ漏洩を防ぐために、訓練用、検証用、テスト用のデータセットを別々に設定した。

実験結果

リサーチクエスチョン

• RQ1 GRAPSA と GAN を組み合わせることで、従来の GRAPSA のみに比べ、加速並列 MRI 再構成における画像品質が向上するか。
• RQ2 データ整合性損失と知覚的特徴損失の導入が、アーチファクト低減と構造的正確性に与える影響は何か。
• RQ3 高加速係数（R=4 および R=8）におけるノイズと平均二乗誤差（RMSE）は、GRAPSA-GAN モデルによってどの程度低減されるか。
• RQ4 GAN 基盤の再構成は、完全にスキャンされたデータに存在する実際のアーチファクト（Gibbs リングイング、運動アーチファクトなど）を軽減するか。
• RQ5 標準的な GAN と比較して、ハイブリッド GRAPSA-GAN フレームワークは、ホワリケーションを低減しつつ解剖学的正確性を維持できるか。

主な発見

• R=4 の加速係数において、正則化された GRAPSA で 33.88 dB の PSNR を達成したのに対し、GRAPSA-GAN を用いることで 37.65 dB に向上し、3.77 dB の向上を達成した。
• R=4 における SSIM は 0.84 から 0.93 に向上し、構造的類似性が向上し、ノイズ分散が低減したことを示した。
• R=8 においては、PSNR が 22.45 dB から 29.64 dB に向上し、SSIM は 0.51 から 0.84 に向上した。これにより、高加速条件下でも高いロバストネスを示した。
• RMSE は R=4 で 0.021 から 0.013 に、R=8 で 0.075 から 0.033 に低下し、再構成誤差の低減を確認した。
• GAN 再構成は、Gibbs リングイング、運動アーチファクト、ノイズを効果的に抑制した。特に R=8 の高加速条件下でも、視覚的にシャープで自然な組織コントラストを実現した。
• 知覚的損失は解剖学的特徴の保持に寄与し、データ整合性損失は訓練データに含まれる実際のアーチファクトの再現を抑制した。