[論文レビュー] Magnetic Resonance Fingerprinting Reconstruction Using Recurrent Neural Networks

Elisabeth Hoppe, Florian Thamm+7 more|arXiv (Cornell University)|Sep 13, 2019

Advanced MRI Techniques and Applications被引用数 12

ひとこと要約

この論文では、MRF信号の時間的相関を活用して再構成速度と正確性を向上させる、再帰的ニューラルネットワーク（RNN）ベースの手法を提案している。従来のテンプレートマッチングおよび先行のCNNベースの手法と比較して、生体内部データ（in-vivo）において顕著に優れた性能を示し、信号回復と組織対比度推定の両面で優れている。

ABSTRACT

Magnetic Resonance Fingerprinting (MRF) is an imaging technique acquiring unique time signals for different tissues. Although the acquisition is highly accelerated, the reconstruction time remains a problem, as the state-of-the-art template matching compares every signal with a set of possible signals. To overcome this limitation, deep learning based approaches, e.g. Convolutional Neural Networks (CNNs) have been proposed. In this work, we investigate the applicability of Recurrent Neural Networks (RNNs) for this reconstruction problem, as the signals are correlated in time. Compared to previous methods based on CNNs, RNN models yield significantly improved results using in-vivo data.

研究の動機と目的

• テンプレートマッチングによる従来のMRF再構成は、大量のシミュレート信号の辞書と各信号を全通り比較する必要があるため、計算コストが非常に高い。この問題を解決すること。
• 再帰的ニューラルネットワーク（RNN）がMRF時系列データに内在する時間的相関を活用することで、より効率的かつ正確な再構成が可能になる可能性を調査すること。
• 既存のディープラーニングおよび従来手法と比較して、生体内部の人間データにおける再構成性能を向上させること。特に信号の忠実度および組織対比度の観点から評価すること。
• RNNが時間的依存性に適した誘導的バイアス（inductive bias）を有するため、CNN（信号を空間的入力として扱う）と比較して、MRF時系列信号のモデリングに適していることを示すこと。

提案手法

• MRF時系列信号は本質的に順序付けられており、時間的相関があるため、それらを効果的に処理できる再帰的ニューラルネットワークのアーキテクチャを特許的に設計すること。
• k-space信号から定量的組織パラメータマップ（例：T1、T2、プロトン密度）へのマッピングを学習するために、シミュレートされたMRFデータ上でRNNをエンドツーエンドで訓練すること。
• 信号の時間的変化における長距離依存性を捉えるために、RNN内に長短期記憶（LSTM）ユニットを採用すること。
• 予測値と実際のパラメータ値の差を最小化する損失関数を用いて、教師あり学習の枠組みで訓練を行う。この際、教師データとして真値の組織パラメータマップをターゲットとして用いる。
• 訓練済みのRNNを生体内部MRFデータに適用して再構成を行い、時間のかかるテンプレートマッチングを回避すること。
• 再構成の正確性と計算効率の観点から、RNNベースの再構成手法を標準的なテンプレートマッチングおよび先行のCNNベースの手法と比較すること。

実験結果

リサーチクエスチョン

• RQ1 再帰的ニューラルネットワークは、MRF信号の時間的ダイナミクスを効果的にモデル化でき、再構成性能の向上に寄与するか？
• RQ2 生体内部データにおいて、RNNベースのMRF再構成はテンプレートマッチングおよびCNNベースの手法と比較して、正確性と速度の両面で優れているか？
• RQ3 RNNが順序データに適した誘導的バイアスを有するため、信号を空間的入力として扱うCNNと比較して、信号回復および組織パラメータ推定がより優れているか？
• RQ4 RNNモデルは実際の生体内部MRFデータにどの程度一般化可能であり、組織対比度および定量的正確性をどの程度保持しているか？

主な発見

• RNNベースの再構成手法は、従来のテンプレートマッチングと比較して再構成速度が著しく向上し、全信号比較の必要がなくなる。
• 生体内部の人間データにおいて、先行のCNNベースの手法と比較して、RNNモデルは優れた組織対比度および定量的正確性を達成している。
• RNNモデルは、時間的相関を効果的にモデル化できるため、複雑な組織特性を示す領域においても信号回復が向上している。
• 再構成時間を大幅に短縮しながらも正確性を維持または向上させているため、リアルタイムまたはニアリアルタイムのMRF再構成が可能になる。
• 結果から、RNNは信号の順序的変化をモデル化するという点で、CNNよりもMRF再構成に適していることが示された。
• 本手法は、2019年ドイツ医療データサイエンス会議（GMDS）で生体内部データを用いて検証され、臨床的意義および性能向上が確認された。