[論文レビュー] i-RIM applied to the fastMRI challenge

Patrick Putzky, Dimitrios Karkalousos+5 more|arXiv (Cornell University)|Oct 20, 2019

Advanced MRI Techniques and Applications参考文献 6被引用数 13

ひとこと要約

本論文は、fastMRIチャレンジにおける加速MRI再構成のための可逆的再帰推論マシン（i-RIM）を提示する。深く可逆的なアーキテクチャを活用し、データ整合性勾配を用いて反復的に画像推定値を改善する。この手法は最先端の性能を達成し、テストセットにおいて8×加速条件下で39.52 dBのPSNRおよび0.928のSSIMを達成した。

ABSTRACT

We, team AImsterdam, summarize our submission to the fastMRI challenge (Zbontar et al., 2018). Our approach builds on recent advances in invertible learning to infer models as presented in Putzky and Welling (2019). Both, our single-coil and our multi-coil model share the same basic architecture.

研究の動機と目的

• データ駆動型で可逆的なディープラーニング手法を用いて、限られたk空間データにおける加速MRI再構成の課題に取り組む。
• コイル感度マップの明示的モデリングを避けることで、従来手法の限界を克服する。
• 可逆的残差ブロックと活性化メモリを不要とする安定なバックプロパゲーションを用いて、480層に達する極めて深いネットワークの学習を可能にする。
• シングルコイルおよびマルチコイルMRI設定の両方において、4×および8×の加速因子下でも高精度な画像再構成を達成する。
• 構造的類似性（SSIM）を主な損失関数とし、マグニチュード画像上で評価することにより、臨床的妥当性を最適化する。

提案手法

• MRI再構成問題を逆問題として定式化し、前方モデル d = A p + n を用いる。ここで A はコイルごとのスキャンマスクとフーリエ変換を統合する。
• k空間測定値とコイル画像をクライチナー積を用いて統合し、複数のコイルにわたる統合的再構成を可能にする。
• データ整合性勾配 ∇𝒟(d, A, p_t) を根拠に学習可能な関数 h_φ を用いて、画像推定値 p_t と隠れ状態 s_t を反復的に更新する可逆的再帰推論マシン（i-RIM）を実装する。
• ネットワークをゼロフィルルド再構成（p₀ = Aᴴd）と、フィールド強度や脂肪抑制などのスキャンパラメータを符号化する1-of-kエンコーディングされたメタ状態 s₀ で初期化する。
• 最終的な複素数値画像推定値 p̂ を生成するために、非可逆的最終ブロック f_θ を適用し、評価のためマグニチュードに変換する。
• マグニチュード画像上で構造的類似性（SSIM）損失を用いて学習し、Adam最適化法を用い、30エポックごとに学習率を減衰させる。

実験結果

リサーチクエスチョン

• RQ1 明示的なコイル感度モデリングを伴わずに、可逆的ディープラーニングモデルが高加速要因下でも優れたMRI再構成性能を達成できるか？
• RQ2 可逆ネットワークの深さ（最大480層）が、加速MRIにおける再構成品質に与える影響はいかほどか？
• RQ3 初期隠れ状態を用いたメタデータの統合が、異なるMRI取得プロトコル間での一般化性をどの程度向上させるか？
• RQ4 fastMRIベンチマーク上でのPSNR、SSIMおよび視覚的忠実度の観点から、i-RIMは先行する「学習による推論」手法と比べてどのように差をつけるか？
• RQ5 微調整なしに、多様な解剖的領域およびスキャンパラメータにわたってi-RIMは高い性能を維持できるか？

主な発見

• マルチコイルi-RIMは、8×加速条件下でテストセットで39.52 dBのPSNRおよび0.928のSSIMを達成し、シングルコイルモデルを上回り、新たなベンチマークを樹立した。
• バリデーションセットでは、マルチコイルモデルが8×加速条件下で38.84 dBのPSNRおよび0.916のSSIMを達成し、優れた一般化性能を示した。
• シングルコイルモデルは4×加速条件下で33.65 dBのPSNRおよび0.781のSSIMを達成し、コイル数が少ないにもかかわらず優れた性能を示した。
• 代表的な再構成例では、真値と比較してアーチファクトが低減され、構造的詳細が強化された優れた視覚的品質が得られた。
• 活性化メモリを不要とする480層の極めて深いネットワークの学習が可能になったことで、安定な最適化と優れた特徴学習が実現した。
• SSIMを学習損失として用いることで、特に微細な解剖的構造の保持に優れた、知覚的に優れた再構成が得られた。