[論文レビュー] Learned Half-Quadratic Splitting Network for MR Image Reconstruction

Bingyu Xin, Timothy S. Phan+2 more|arXiv (Cornell University)|Dec 17, 2021

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

本稿では、データ整合性とノイズ除去ステップを備えた深層学習フレームワークに、半2乗分割（HQS）アルゴリズムをアンロールした学習可能Half-Quadratic Splitting（HQS）ネットワークを、MRI再構成の高速化のために提案する。10倍の加速条件下で、PSNRが最大1.76 dB向上する最先端の性能を達成しており、推論速度とモデル効率性の両方を向上させた。

ABSTRACT

Magnetic Resonance (MR) image reconstruction from highly undersampled $k$-space data is critical in accelerated MR imaging (MRI) techniques. In recent years, deep learning-based methods have shown great potential in this task. This paper proposes a learned half-quadratic splitting algorithm for MR image reconstruction and implements the algorithm in an unrolled deep learning network architecture. We compare the performance of our proposed method on a public cardiac MR dataset against DC-CNN and LPDNet, and our method outperforms other methods in both quantitative results and qualitative results with fewer model parameters and faster reconstruction speed. Finally, we enlarge our model to achieve superior reconstruction quality, and the improvement is $1.76$ dB and $2.74$ dB over LPDNet in peak signal-to-noise ratio on $5 imes$ and $10 imes$ acceleration, respectively. Code for our method is publicly available at https://github.com/hellopipu/HQS-Net.

研究の動機と目的

• 高次元の undersampled k-space データにおける加速MRIの課題に取り組む。ここでは、従来の圧縮センシング法が遅く、最適でない。
• 特に高加速要因下において、既存の深層学習ベースのMRI再構成手法よりも、再構成品質と速度を向上させる。
• 線形前方モデルに対して、近似勾配法よりも効率的な半2乗分割（HQS）アルゴリズムに基づく、学習可能なアンロール最適化フレームワークを開発する。
• バッファサイズやネットワーク深さといったハイパーパrameterを用いたスケーラブルなアーキテクチャ設計により、モデル容量と再構成品質のバランスを図る。
• 再現性と深層学習ベースのMRI再構成分野におけるさらなる研究を支援するため、公開可能な実装を提供する。

提案手法

• 半2乗分割（HQS）アルゴリズムを深層ニューラルネットワークにアンロールし、データ整合性ステップとノイズ除去ステップを交互に実行する。
• データ整合性ステップを、アンダーサンプリングされたk-spaceマスクを用いたフーリエドメインの逆演算で実装し、取得測定値への忠実度を保証する。
• ノイズ除去ステップを、前の反復からの画像推定値を精緻化するのを学習する残差畳み込みニューラルネットワーク（CNN）でモデル化し、補助変数zからの残差接続を設ける。
• 中間変数（z）を反復間で保存するバッファメカニズムを導入し、最適化の安定性と収束性を向上させる。
• 特徴の伝搬と微細なディテールの再構成を向上させるために、スキップ接続を備えたU-Netベースの変種（HQSNet-Unet）を設計する。
• L2損失とL1損失の組み合わせを用いて、再構成忠実度とスパarsityを確保するため、単一コイル、カーテシアンアンダーサンプリングの公開心臓MRIデータセット上で、エンドツーエンドにネットワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 学習可能な半2乗分割（HQS）フレームワークは、DC-CNN や LPDNet といった既存のアンロール最適化ネットワークを上回る性能を示せるか？
• RQ2 アンロールHQSネットワークにおけるデータ整合性ステップとノイズ除去ステップの順序が、再構成性能に与える影響は何か？
• RQ3 残差ノイズ除去設計とバッファメカニズムが、HQSフレームワークにおける収束性と画像品質に与える影響は何か？
• RQ4 HQSNetアーキテクチャは、計算コストを著しく増加させることなく、再構成品質を効果的に向上させられるか？
• RQ5 高加速要因（5×および10×）下において、HQSベースの手法はPSNR、SSIM、推論速度の観点から、最先端の手法と比較してどうなるか？

主な発見

• 提案されたHQスプリットネットワーク（HQSNet）は、10倍の加速条件下で34.70 dBのPSNRを達成し、LPDNetを1.76 dB上回り、優れた再構成品質を示した。
• 5倍の加速条件下では、HQSNetが34.17 dBのPSNRを達成し、LPDNetを1.00 dB上回り、加速レベルにかかわらず一貫した向上効果を確認した。
• HQSNet-Unetバージョンは最高の再構成品質を達成し、10倍の加速条件下で34.70 dBのPSNRを記録。ズームインした領域や境界のディテールにおいて、顕著な視覚的忠実度の向上が見られた。
• HQSNetは小さなモデルサイズ（1.28Mパラメータ）と低いFLOPs（39.35G）を維持しており、DC-CNN や ISTANet+ よりも両方の効率性と正確性で優れた性能を示した。
• アブレーションスタディの結果、DC-firstの順序、残差ノイズ除去設計、バッファメカニズムがそれぞれ性能向上に寄与しており、バッファサイズ（m=7）が最良の結果をもたらした。
• 本手法は高加速要因に対しても良好に一般化しており、誤差マップやズームイン領域において、ベースライン手法と比較してアーチファクトが低減され、より鋭い解剖学的構造が再構成された。