[論文レビュー] Learning a Variational Network for Reconstruction of Accelerated MRI Data

Kerstin Hammernik, Teresa Klatzer+5 more|arXiv (Cornell University)|Apr 3, 2017

Advanced MRI Techniques and Applications参考文献 32被引用数 28

ひとこと要約

本論文では、深層学習と変分最適化を統合することで、加速されたマルチコイルMRIデータを再構成する変分ネットワークを提案する。圧縮センシングに基づく最適化スキームをアンロールし、フィルタ重み、活性化関数、データ整合性項を含むすべてのパラメータをエンド・ツー・エンドの学習によって学習することで、1枚のGPUで193 msという高速な時間で高品質でアーチファクトの少ない再構成が達成され、あらゆる加速係数とスキャンパターンにおいて標準的手法を上回る性能を発揮した。

ABSTRACT

Purpose: To allow fast and high-quality reconstruction of clinical accelerated multi-coil MR data by learning a variational network that combines the mathematical structure of variational models with deep learning. Theory and Methods: Generalized compressed sensing reconstruction formulated as a variational model is embedded in an unrolled gradient descent scheme. All parameters of this formulation, including the prior model defined by filter kernels and activation functions as well as the data term weights, are learned during an offline training procedure. The learned model can then be applied online to previously unseen data. Results: The variational network approach is evaluated on a clinical knee imaging protocol. The variational network reconstructions outperform standard reconstruction algorithms in terms of image quality and residual artifacts for all tested acceleration factors and sampling patterns. Conclusion: Variational network reconstructions preserve the natural appearance of MR images as well as pathologies that were not included in the training data set. Due to its high computational performance, i.e., reconstruction time of 193 ms on a single graphics card, and the omission of parameter tuning once the network is trained, this new approach to image reconstruction can easily be integrated into clinical workflow.

研究の動機と目的

• 従来の圧縮センシングと並列イメージングの限界、特に再構成時間の長さとハイパーパrameterチューニングへの感受性を解消すること。
• 圧縮センシングにおける手作業で設計されたスパarsity事前分布に依存する問題を克服し、しばしばボックリーブロックのような不自然な画像を生じさせ、放射線科医の受容性を低下させるのを防ぐこと。
• 数学的構造を有する変分モデルを組み込んだ学習ベースの再構成フレームワークを構築し、すべてのパラメータをエンド・ツー・エンドで最適化可能にする。
• 最適化の負荷をオフラインのトレーニングフェーズに移行することで、オンライン再構成時間を短縮し、各スキャンごとの手動パラメータチューニングの必要性を排除すること。
• 標準の圧縮センシング条件を満たさないアンダーサンプリングでも、頑健で高精度な加速MRIデータの再構成を可能にすること。

提案手法

• 本手法は、圧縮センシング再構成のための変分最適化スキームを、固定された層数にまでアンロールし、反復的最適化を順伝播型ニューラルネットワークに変換する。
• 各層はコイル感度情報に基づいてデータ整合性更新を実行し、ガウス型径間基底関数を活性化関数として用いた畳み込みフィルタを介して学習された事前分布を適用する。
• 事前分布は、局所的フィルタ応答の重み付き和としてモデル化され、学習可能なフィルタ重みとカーネルパラメータを有することで、適応的正則化が可能になる。
• フィルタカーネル、重み、データ適合項を含むすべてのパラメータが、アンロールされたネットワークを介した誤差逆伝播を用いてオフラインのトレーニングフェーズで共同最適化される。
• ネットワークは残差接続構造を採用し、アンロールされたプロセス全体の勾配計算を統合しており、エンド・ツー・エンドの誤差逆伝播を可能にしている。
• 最終的な再構成はGPU上で1回の順方向プロパゲーションで実行され、最小限の推論時チューニングでリアルタイム性能を達成している。

実験結果

リサーチクエスチョン

• RQ1 標準の圧縮センシング条件（非一様性、スパarsity）が完全に満たされない状況下でも、深層学習ベースのアプローチが、標準的な圧縮センシングおよび並列イメージングを上回るMRI再構成性能を発揮できるか？
• RQ2 学習された変分モデルは、トレーニングデータに明示的に存在しない解剖学的リアリズムや臨床的病変をどの程度保持できるか？
• RQ3 さまざまな加速係数において、変分ネットワークの画像品質およびアーチファクト低減性能は、従来の反復的再構成手法と比べてどの程度優れているか？
• RQ4 本手法は、各スキャンに対して手動でのハイパーパrameterチューニングを要せず、臨床的実用可能な再構成時間を達成できるか？
• RQ5 微分可能な最適化フレームワークの統合により、正則化およびデータ適合パラメータを含む画像再構成パラメータの有効なエンド・ツー・エンド学習が可能になるか？

主な発見

• 変分ネットワークは、全テスト加速係数およびスキャンパターンにおいて、標準再構成アルゴリズムを上回る優れた画像品質を達成した。
• トレーニングデータに含まれない病変に対しても、自然な組織の外観と臨床的関連病変が保持された再構成が可能だった。
• 特に複雑な解剖学的構造や低SNR領域において、残存アーチファクトが顕著に低減された。
• 1枚のGPUで再構成時間はわずか193 msであり、臨床ワークフローへのリアルタイム統合が可能だった。
• トレーニング後、再チューニングを要せず、未観測データに対しても良好な一般化性能を示し、頑健性と臨床的実用性を裏付けた。
• フィルタカーネル、重み、データ適合項を含むすべてのパラメータのエンド・ツー・エンド学習により、手動設計モデルに比べてより効果的かつ適応的な再構成が実現された。