[論文レビュー] Medical image reconstruction: a brief overview of past milestones and future directions

Jeffrey A. Fessler|arXiv (Cornell University)|Jul 19, 2017

Medical Imaging Techniques and Applications参考文献 34被引用数 11

ひとこと要約

本論文は、医用画像再構成の進化を、解析的手法から反復的手法、データ駆動型手法へとレビューし、尤度関数と事前分布モデルを用いたモデルベースの手法の重要性を強調している。学習ベースの正則化項やアンロールド最適化アルゴリズムへの移行が顕著であり、2017年に画像圧縮感知MRIがFDA承認されたことは、十数年の研究開発を経て臨床応用に至った重要なマイルストーンである。

ABSTRACT

This paper briefly reviews past milestones in the field of medical image reconstruction and describes some future directions. It is part of an overview paper on "open problems in signal processing" that will appear in IEEE Signal Processing Magazine, but presented here with citations and equations.

研究の動機と目的

• 医用画像分野における解析的手法から反復的手法への歴史的移行をたどること。
• ノイズや不完全なデータからの画像品質向上に寄与する統計的モデリングと正則化の役割を検討すること。
• 数学的に定義された事前分布から、データ駆動型の信号モデルや学習された正則化項へのパラダイムシフトの発展を調査すること。
• 臨床現場における機械学習ベースの再構成手法の導入に伴う課題と機会を評価すること。
• 次世代画像再構成における最適化、一般化、診断的性能評価の分野における未解決の研究課題を特定すること。

提案手法

• 画像再構成を最大後確信度（MAP）推定として定式化するベイジアンフレームワークを用い、尤度 $p(y|x)$ と事前分布 $p(x)$ を統合する。
• 理想的なシステムモデルに依存するフィルタドバックプロジェクションや逆フーリエ変換などの古典的解析的手法をレビューする。
• 物理的システムモデルと統計的ノイズ特性を組み込んだ反復的手法を分析し、最適化を用いてMAP問題を解く。
• 特に画像圧縮感知MRIにおいて重要な役割を果たす、スパarsityを促進する正則化項（例：全変動、ウェーブレット）の使用を検討する。
• 手作業で設計された事前分布に代わるデータ駆動型アプローチ（例：辞書学習、ブラインド／適応的変換学習）を紹介する。
• 反復的アルゴリズムを深層ニューラルネットワークに類似したアーキテクチャにアンロールし、データで訓練することで再構成性能を向上させる手法（例：LISTA）を提案する。

実験結果

リサーチクエスチョン

• RQ1 PET、SPECT、CT、MRIなどのモodalitiesにおいて、モデルベースの反復的再構成手法は、解析的手法に比べてどのように画像品質を向上させたか？
• RQ2 理論的利点があるにもかかわらず、高度な反復的手法の導入が遅れている主な技術的・臨床的障壁は何か？
• RQ3 学習された辞書やディープネットワークといったデータ駆動型正則化項は、異なる画像プロトコルや患者集団に対してどの程度一般化可能か？
• RQ4 再構成精度だけでなく、診断的画像品質にも最適化されるように、訓練目的関数をどのように設計すべきか？
• RQ5 学習された再構成モデルにおける非線形性と解釈不能性が、臨床的信頼性と規制承認に与える影響は何か？

主な発見

• スパarsityと $\ell_1$-正則化に基づく画像圧縮感知MRIは、十数年の研究開発を経て2017年にFDA承認を取得した。
• 修正されたガウスマルコフ確率場（MRFs）を用いた反復的MAP手法は、PETおよびCTで臨床的導入がなされ、ノイズ増幅の低減により画像品質が向上した。
• PET、SPECT、CTなどのモダリティにおいて、解析的から反復的へ移行するには10〜20年以上を要した。これは計算負荷の高さと臨床的妥当性の確認が必要だったためである。
• 学習された辞書や適応的変換といったデータ駆動型正則化項は、従来の数学的に定義された事前分布からの根本的な転換をもたらし、複雑な画像構造のより良いモデリングを可能にした。
• LISTAなどのアンロールド最適化手法は、スパースデータにおいて、標準的なソルバーよりも高速かつ高精度であることを示しており、学習された反復スキームの有効性を裏付けている。
• 進展は見られたが、画像プロトコルや患者の多様性に対する一般化、MSEではなく診断的性能に一致した訓練指標の設計といった分野において、依然として大きな課題が残っている。