[論文レビュー] LORAKI: Autocalibrated Recurrent Neural Networks for Autoregressive MRI Reconstruction in k-Space

Tae Hyung Kim, Pratyush Garg+1 more|arXiv (Cornell University)|Apr 20, 2019

Advanced MRI Techniques and Applications参考文献 23被引用数 44

ひとこと要約

LORAKIはスキャン固有の自動較正付き畳み込みRNNを訓練して欠損したk-spaceサンプルを補間し、テストされたサンプリング方式全体でGRAPPA、RAKI、AC-LORAKSを上回る再構成性能を示す。

ABSTRACT

We propose and evaluate a new MRI reconstruction method named LORAKI that trains an autocalibrated scan-specific recurrent neural network (RNN) to recover missing k-space data. Methods like GRAPPA, SPIRiT, and AC-LORAKS assume that k-space data has shift-invariant autoregressive structure, and that the scan-specific autoregression relationships needed to recover missing samples can be learned from fully-sampled autocalibration (ACS) data. Recently, the structure of the linear GRAPPA method has been translated into a nonlinear deep learning method named RAKI. RAKI uses ACS data to train an artificial neural network to interpolate missing k-space samples, and often outperforms GRAPPA. In this work, we apply a similar principle to translate the linear AC-LORAKS method (simultaneously incorporating support, phase, and parallel imaging constraints) into a nonlinear deep learning method named LORAKI. Since AC-LORAKS is iterative and convolutional, LORAKI takes the form of a convolutional RNN. This new architecture admits a wide range of sampling patterns, and even calibrationless patterns are possible if synthetic ACS data is generated. The performance of LORAKI was evaluated with retrospectively undersampled brain datasets, with comparisons against other related reconstruction methods. Results suggest that LORAKI can provide improved reconstruction compared to other scan-specific autocalibrated reconstruction methods like GRAPPA, RAKI, and AC-LORAKS. LORAKI offers a new deep-learning approach to MRI reconstruction based on RNNs in k-space, and enables improved image quality and enhanced sampling flexibility.

研究の動機と目的

• 自動較正され、スキャン固有のモデルを用いて undersampled k-spaceデータを再構成することで、MRIの高速化を動機づける。
• AC-LORAKSおよびRAKIの原理を拡張する非線形の畳み込みRNNであるLORAKIを導入する。
• k-spaceにおけるスキャン固有の自己回帰関係を学習するために、自動較正データを活用する。
• LORAKIが合成ACSデータを含む幅広いサンプリングパターンに適応できることを示す。

提案手法

• LORAKIを、Landweberに触発された反復スキーム内で非線形ReLU活性化を備えた2層の畳み込みRNNとして定式化する。
• k-space補間を、ACSデータを用いて訓練する学習済みの非線形自己回帰プロセスとして表現する。
• 等方性の制約付き再構成を構造化低秩フレームワーク内で強制するため、楕円形の畳み込みカーネルを用いる。
• ACSデータでネットワークを訓練する（予備再構成から導出された合成ACSデータをオプションで使用）。
• 位相制約を捉えるため、実数値チャネルと仮想共役コイルを用いて複素データを扱う。

実験結果

リサーチクエスチョン

• RQ1 LORAKIはGRAPPA、RAKI、AC-LORAKSよりさまざまなCartesian undersamplingパターンで再構成品質を向上させることができるか？
• RQ2 実際のACSデータが限られている場合、合成ACSデータを組み込むことで性能は向上するか？
• RQ3 LORAKIは統一的、ランダム、部分フーリエなどの異なる undersampling方式に対して堅牢で、AC-LORAKSの制約と互換性を保つか？

主な発見

• LORAKIは retrospective な脳MRIの undersampling テストでGRAPPA、RAKI、AC-LORAKSに対して再構成品質を向上させる。
• 合成ACSデータを使用すると、元のACSデータの利益に匹敵するか、それを上回ることができ、特に元のACSが限られている場合に顕著である。
• LORAKIはランダムや部分フーリエを含む複数のサンプリングパターンでも有効で、空間周波数全体で有利な誤差特性を示す。
• キャリブレーションなしの状況では、初期再構成が有用なACSガイダンスを提供できる場合、合成ACSデータを用いたLORAKIはキャリブレーションレスなベースラインを上回すことが多い。