[論文レビュー] Learning Fast Magnetic Resonance Imaging.

Tomer Weiss, Sanketh Vedula+4 more|arXiv (Cornell University)|May 22, 2019

Advanced MRI Techniques and Applications参考文献 10被引用数 11

ひとこと要約

本論文は、加速MRIのためのカーテシアンk空間トレースと画像再構成を共同で学習するエンドツーエンド微分可能フレームワークを提案しており、深層学習を用いて収集と再構成を共同最適化することにより、さまざまな加速率において再構成品質を顕著に向上させている。

ABSTRACT

Magnetic Resonance Imaging (MRI) is considered today the golden-standard modality for soft tissues. The long acquisition times, however, make it more prone to motion artifacts as well as contribute to the relatively high costs of this examination. Over the years, multiple studies concentrated on designing reduced measurement schemes and image reconstruction schemes for MRI, however, these problems have been so far addressed separately. On the other hand, recent works in optical computational imaging have demonstrated growing success of the simultaneous learning-based design of the acquisition and reconstruction schemes manifesting significant improvement in the reconstruction quality with a constrained time budget. Inspired by these successes, in this work, we propose to learn accelerated MR acquisition schemes (in the form of Cartesian trajectories) jointly with the image reconstruction operator. To this end, we propose an algorithm for training the combined acquisition-reconstruction pipeline end-to-end in a differentiable way. We demonstrate the significance of using the learned Cartesian trajectories at different speed up rates.

研究の動機と目的

• 最適なパフォーマンスを阻害するMRI収集と再構成の分離設計の制限を解消すること。
• 運動アーチファクトと高コストを軽減するため、MRIスキャン時間を短縮しつつ、診断用画像品質を維持すること。
• 既存手法の最適でないトレードオフを克服するため、収集トレースと再構成ネットワークを共同設計すること。
• 微分可能最適化を用いて収集・再構成パイプラインのエンドツーエンド学習を可能にすること。
• 複数の加速要因において、従来のカーテシアンサンプリングと比較して学習されたトレースが優れていることを実証すること。

提案手法

• MRI収集と再構成を微分可能でエンドツーエンドのパイプラインとして定式化する。
• ニューラルネットワークを用いて、学習可能なカーテシアンパターンとしてk空間サンプリングトレースをパラメータライズする。
• アンダーサンプリングされたk空間データを処理する深層画像再構成ネットワークを統合する。
• 再構成損失を最小化するために、バックプロパゲーションを用いて統合システムを学習する。
• 再構成損失からトレースパラメータへの勾配伝播を可能にするために、微分可能なサンプリング操作を用いる。
• トレースパターンと再構成ネットワークを学習中に同時に最適化する。

実験結果

リサーチクエスチョン

• RQ1 固定または手動で設計されたトレースと比較して、k空間サンプリングトレースと画像再構成の共同学習は、MRI再構成品質を向上させることができるか？
• RQ2 収集・再構成パイプラインのエンドツーエンド微分可能学習は、画像品質とスキャン時間短縮にどのような影響を与えるか？
• RQ3 さまざまな加速要因において、学習されたカーテシアントレースは、従来のカーテシアンサンプリングをどの程度上回るか？
• RQ4 収集と再構成の共同最適化は、異なるスキャン加速率にわたる一般化性能を向上させるか？
• RQ5 トレース学習は、再構成MR画像におけるアーチファクト低減と微細な解剖学的詳細の保持にどのような影響を与えるか？

主な発見

• 提案手法は、従来のカーテシアンサンプリングと比較して、全テスト加速要因において優れた画像再構成品質を達成している。
• 学習されたトレースは、特に高加速率においてストリークイングやアリゼーションアーチファクトを顕著に低減している。
• エンドツーエンド学習により、ネットワークが再構成タスクに効率的なサンプリングパターンを発見できるようになった。
• 共同最適化により、軟部組織コントラストの再構成において、収束が速く、よりロバストな性能が得られた。
• 4×、6×、8×の加速要因において、ベースライン手法と比較して一貫した性能向上を示した。
• 微分可能フレームワークにより、サンプリングプロセスを介した有効なバックプロパゲーションが可能となり、真の共同最適化が実現された。