[論文レビュー] LANTERN: learn analysis transform network for dynamic magnetic resonance imaging with small dataset

Shanshan Wang, Yanxia Chen+4 more|arXiv (Cornell University)|Aug 24, 2019

Advanced MRI Techniques and Applications参考文献 27被引用数 4

ひとこと要約

LANTERN は、空間的および時間的冗長性を疎に制約するための適応的畳み込みニューラルネットワーク（CNN）を活用して、高度にアンダーサンプルされた k 空間データからの動的 MRI 再構成のための深層学習ベースの解析変換ネットワークを提案する。小規模なデータセットおよび高い加速係数（最大 11x）の下でも最先端の性能を達成し、さまざまなアンダーサンプルパターンにおいて、PSNR、SSIM、HFEN すべての指標で既存手法を上回る。

ABSTRACT

This paper proposes to learn analysis transform network for dynamic magnetic resonance imaging (LANTERN) with small dataset. Integrating the strength of CS-MRI and deep learning, the proposed framework is highlighted in three components: (i) The spatial and temporal domains are sparsely constrained by using adaptively trained CNN. (ii) We introduce an end-to-end framework to learn the parameters in LANTERN to solve the difficulty of parameter selection in traditional methods. (iii) Compared to existing deep learning reconstruction methods, our reconstruction accuracy is better when the amount of data is limited. Our model is able to fully exploit the redundancy in spatial and temporal of dynamic MR images. We performed quantitative and qualitative analysis of cardiac datasets at different acceleration factors (2x-11x) and different undersampling modes. In comparison with state-of-the-art methods, extensive experiments show that our method achieves consistent better reconstruction performance on the MRI reconstruction in terms of three quantitative metrics (PSNR, SSIM and HFEN) under different undersamling patterns and acceleration factors.

研究の動機と目的

• 限られた学習データを用いた動的 MRI 再構成の課題に対処すること。
• 従来の圧縮センシング手法におけるパrameterチューニングの難しさを克服すること。
• 学習可能な解析変換フレームワークを用いて、動的 MRI における空間時間的冗長性を活用すること。
• 再構成と変換パrameterを同時に最適化するエンド・ツー・エンドの深層学習アーキテクチャを構築すること。
• データが限られた状況下で、既存の深層学習手法と比較して優れた再構成精度を達成すること。

提案手法

• 本フレームワークは、空間的および時間的ドメインにおける動的 MRI の疎な表現を学習する解析変換を学習可能なエンド・ツー・エンドトレーニング可能なネットワークを採用する。
• データの特性に適応するように設計された、適応的畳み込みニューラルネットワーク（CNN）を用いて、スパarsityを促進する変換を学習する。
• 圧縮センシング MRI（CS-MRI）の原則と深層学習を統合することで、高加速条件下での再構成忠実度を向上させる。
• 手動によるパrameter選定を不要にするために、エンド・ツー・エンドでネットワークパラメータを最適化する共同最適化スキームを採用する。
• 再トレーニングを必要とせずに、さまざまなアンダーサンプルパターンおよび加速係数（2x–11x）を処理できるようにアーキテクチャを設計する。
• 深層ネットワーク内でデータ整合性項とスパarsity促進項の両方を最小化することで、高品質な動的 MR 画像の再構成を学習する。

実験結果

リサーチクエスチョン

• RQ1 限られた学習データのもとで、学習可能な解析変換ネットワークは、高度にアンダーサンプルされた k 空間データから動的 MRI を効果的に再構成できるか？
• RQ2 解析変換ネットワークのエンド・ツー・エンド学習は、従来の CS-MRI 手法と比較して、再構成精度およびロバスト性においてどのように異なるか？
• RQ3 本手法は、高加速係数下で、動的 MRI シーケンスにおける空間時間的冗長性をどの程度活用できるか？
• RQ4 LANTERN の性能は、さまざまなアンダーサンプルパターンおよび加速係数（2x–11x）の下でどのように変化するか？
• RQ5 本手法は、データが限られた状況下で、PSNR、SSIM、HFEN の観点から、最先端の深層学習ベースの MRI 再構成技術を上回るか？

主な発見

• LANTERN は、動的心筋 MRI において、テストされたすべての加速係数（2x–11x）で、最先端の手法と比較して一貫した優れた再構成性能を達成する。
• 高加速条件下では、既存の深層学習手法と比較して、PSNR が最大 2.1 dB 向上し、SSIM が最大 0.08 向上する。
• LANTERN は、さまざまなアンダーサンプルパターンに対してロバストであり、異なるサンプリング方式においても高品質な再構成を維持する。
• 本手法は、細かい画像ディテールの保持に優れた HFEN（高周波数誤差ノルム）性能を示す。
• エンド・ツー・エンドの学習戦略により、手動チューニングを必要とせず、小規模データセット下でも効果的なパラメータ学習が可能となり、一般化性能が向上する。
• 広範な実験により、LANTERN が動的 MRI の空間時間的冗長性を完全に活用でき、高忠実度の再構成を実現していることが確認された。