[論文レビュー] k-Space Deep Learning for Parallel MRI: Application to Time-Resolved MR Angiography

Eunju Cha, Eung Yeop Kim+1 more|arXiv (Cornell University)|Jun 3, 2018

Advanced MRI Techniques and Applications参考文献 21被引用数 4

ひとこと要約

本稿では、並列MRIのためのk-space深層学習フレームワークを提案し、リアルタイムで柔軟に時間分解能MRアンジオグラフィー（tMRA）を再構成可能にすることで、時間分解能を向上させた。ハンケル行列分解にインspiredされた深層ニューラルネットワークを通じて、多コイルk-space補間カーネルを学習することで、再トレーニングを必要とせず、さまざまなビュー共有レベルで高精度な再構成が可能となり、GRAPPAおよびALOHAを凌駕する速度と品質を達成した。

ABSTRACT

Time-resolved angiography with interleaved stochastic trajectories (TWIST) has been widely used for dynamic contrast enhanced MRI (DCE-MRI). To achieve highly accelerated acquisitions, TWIST combines the periphery of the k-space data from several adjacent frames to reconstruct one temporal frame. However, this view-sharing scheme limits the true temporal resolution of TWIST. Moreover, the k-space sampling patterns have been specially designed for a specific generalized autocalibrating partial parallel acquisition (GRAPPA) factor so that it is not possible to reduce the number of view-sharing once the k-data is acquired. To address these issues, this paper proposes a novel k-space deep learning approach for parallel MRI. In particular, we have designed our neural network so that accurate k-space interpolations are performed simultaneously for multiple coils by exploiting the redundancies along the coils and images. Reconstruction results using in vivo TWIST data set confirm that the proposed method can immediately generate high-quality reconstruction results with various choices of view- sharing, allowing us to exploit the trade-off between spatial and temporal resolution in time-resolved MR angiography.

研究の動機と目的

• TWIST画像法における複数フレームにわたるビュー共有によって引き起こされる真の時間分解能の制限を克服すること。
• 固定された加速因子を必要とし、取得後には調整できない既存のGRAPPAベースのTWISTプロトコルの不柔軟性を解消すること。
• 再トレーニングを必要とせず、さまざまな空間的・時間的分解能のトレードオフに対応できる、深層学習に基づくk-space再構成手法を開発すること。
• 多コイルの冗長性とスパarsityを活用して、深層ニューラルネットワークでk-space補間カーネルを学習することで、計算効率と高い画像品質を実現すること。
• パULSEシーケンスの変更なしに、既存のTWIST取得プロトコルと後方互換性を持つソリューションを提供すること。

提案手法

• 本手法は、データ駆動型ハンケル行列分解を多層に拡張した深層畳み込みニューラルネットワークを採用し、k-space補間をモデル化する。
• ネットワークはk-space内で直接補間カーネルを学習し、コイル間の冗長性と画像ドメインにおけるスパarsityを活用する。
• エンコーダ・デコーダアーキテクチャを採用し、低ランクk-space構造を高次元空間にマッピングするための再帰的リフトおよびアンリフト操作を用いる。
• 低ランク性が補間に有効であるとされるハンケル行列の事前知識を活用して、重み付きk-spaceデータ上でエンドツーエンドにトレーニングする。
• 推論時、同じトレーニング済みネットワークを用いて、入力ウィンドウサイズを単に調整するだけで、任意のビュー共有レベルに対応した再構成を生成できる。
• リアルタイムでのカーネル計算を回避することで、GRAPPAやALOHAよりも著しく高速であり、スライスあたりの推論時間はわずか0.029秒である。

実験結果

リサーチクエスチョン

• RQ1 k-spaceデータでトレーニングされた深層学習モデルは、再トレーニングなしにTWISTにおけるさまざまなビュー共有設定に一般化可能か？
• RQ2 時間分解能アンジオグラフィーにおいて、k-space深層学習はGRAPPAおよびALOHAと比較して再構成品質および計算効率で優れているか？
• RQ3 1つの深層ニューラルネットワークが、さまざまな加速因子および時間分解能要件に耐性を持つ補間カーネルを学習可能か？
• RQ4 従来のGRAPPAが失敗する高加速因子でも、本手法は空間分解能を保持できるか？
• RQ5 学習されたk-space補間は、トレーニングデータよりも高い時間分解能を持つ未観測の時間フレームに対しても適用可能か？

主な発見

• 本手法はスライスあたりたった0.029秒の再構成時間を達成しており、これはGRAPPA（6.09秒）およびALOHA（84.61秒）の100倍以上も高速である。
• 1つのトレーニング済みネットワークを用いることで、任意のビュー共有レベルでの即時の再構成が可能となり、空間的・時間的分解能のトレードオフを柔軟に探索できる。
• 低ランクハンケル行列分解によるk-space構造の内因的学習のおかげで、未観測の時間フレームに対しても良好な一般化性能を示す。
• 高加速因子下でも、特にビュー共有が減少した状況で、本手法はALOHAを著しく上回る空間分解能を達成する。
• 多層リフトおよびコーディングを用いたより深い表現学習を活用することで、GRAPPAおよびALOHAよりも優れた画像品質を実現した。