[論文レビュー] Model-based Convolutional De-Aliasing Network Learning for Parallel MR Imaging

Yanxia Chen, Taohui Xiao+3 more|arXiv (Cornell University)|Aug 6, 2019

Advanced MRI Techniques and Applications参考文献 13被引用数 4

ひとこと要約

本稿では、明示的なコイル感度推定を必要とせずに、アンダーサンプリングされたk空間データから高品質な並列MRI画像を再構築するモデルベースの畳み込みデアリーシングネットワークを提案する。スプリットブリッジマン法と学習可能なフィルタリング演算子を組み合わせることで、空間的再冗長性とマルチコイル相関を効果的に活用し、多様な加速係数やサンプリングパターンにおいて優れた画像品質と頑健性を達成しており、従来手法に比べてPSNRで最大5 dBの向上を達成した。

ABSTRACT

Parallel imaging has been an essential technique to accelerate MR imaging. Nevertheless, the acceleration rate is still limited due to the ill-condition and challenges associated with the undersampled reconstruction. In this paper, we propose a model-based convolutional de-aliasing network with adaptive parameter learning to achieve accurate reconstruction from multi-coil undersampled k-space data. Three main contributions have been made: a de-aliasing reconstruction model was proposed to accelerate parallel MR imaging with deep learning exploring both spatial redundancy and multi-coil correlations; a split Bregman iteration algorithm was developed to solve the model efficiently; and unlike most existing parallel imaging methods which rely on the accuracy of the estimated multi-coil sensitivity, the proposed method can perform parallel reconstruction from undersampled data without explicit sensitivity calculation. Evaluations were conducted on \emph{in vivo} brain dataset with a variety of undersampling patterns and different acceleration factors. Our results demonstrated that this method could achieve superior performance in both quantitative and qualitative analysis, compared to three state-of-the-art methods.

研究の動機と目的

• 正確なコイル感度推定に依存する既存の並列MRI再構築手法の限界、特に感度推定が不正確な場合にアーチファクトを生じる問題を解消すること。
• 深層学習を用いて空間的再冗長性とマルチコイル相関を活用することで、高加速並列MRIの再構築精度と速度を向上させること。
• 明示的な感度計算を回避しつつ、多様なアンダーサンプリングパターンにわたって頑健性を維持するモデルベースの深層学習フレームワークを構築すること。
• MoDL、SPIRiT、SAKEといった最先端手法と比較して、定量的および定性的な再構築性能を優れていること。

提案手法

• デアリーシング再構築モデルを、データ整合性と学習可能な正則化項を組み合わせた非制約最適化問題として定式化する。
• 効率的な最適化を実現するため、スプリットブリッジマン法を用い、エンドツーエンドの学習と再構築を可能にする。
• 空間的およびマルチコイル相関を畳み込みニューラルネットワークを用いて捉えるために、正則化項に学習可能なフィルタリング演算子Φを組み込む。
• コイル感度マップの必要性を減らすために、感度推定が不正確である可能性があるのを避けるために、アンダーサンプリングk空間データに直接処理を施す。
• 物理的制約とデータ駆動的事前分布を統合した深層学習フレームワークを用いて、エンドツーエンドでモデルを訓練する。
• 1次元均等、1次元ランダム、2次元ポアソン、2次元ラジアルサンプリングを含む、さまざまなアンダーサンプリングパターンに対しても頑健であるようにアルゴリズムを設計する。

実験結果

リサーチクエスチョン

• RQ1 深層学習に基づく手法が、明示的なコイル感度推定を必要とせずに優れた並列MRI再構築を達成できるか？
• RQ2 モデルベースの畳み込みネットワークが、アンダーサンプリングk空間データにおける空間的再冗長性とマルチコイル相関をどれほど効果的に活用できるか？
• RQ3 提案されたスプリットブリッジマンに基づく最適化フレームワークは、従来の反復的手法と比較して、より高速かつ安定した再構築を可能にするか？
• RQ4 本手法は多様なアンダーサンプリングパターンおよび高加速係数において、どのように性能を発揮するか？
• RQ5 MoDL、SPIRiT、SAKEといった最先端手法と比較して、本手法は定量的指標および視覚的品質の両面で優れているか？

主な発見

• 1次元均等マスクを用いた3倍加速条件下で、平均PSNRは36.99 dB、SSIMは0.96を達成し、MoDL（36.53 dB、0.94）とSAKE（30.66 dB、0.84）を上回った。
• 1次元ランダムマスクを用いた4倍加速条件下で、PSNRは33.56 dB、SSIMは0.93を達成し、SPIRiT（28.25 dB、0.74）とSAKE（27.93 dB、0.80）を著しく上回った。
• 2次元ポアソンサンプリングを用いた6倍加速条件下で、PSNRは32.64 dB、SSIMは0.90を達成し、MoDL（32.63 dB、0.90）とSAKE（27.15 dB、0.74）を上回った。
• 9倍ラジアルサンプリング条件下で、PSNRは32.49 dB、SSIMは0.91を達成し、MoDLがエッジノイズと不安定性を示す高加速条件下でも頑健性を示した。
• 全テスト加速係数およびサンプリングパターンにおいて、SAKEおよびSPIRiTと比較して、NMSEを平均で約5 dB低減した。
• 誤差マップの分析から、特に高加速条件下において、MoDLと比較して本手法はアーチファクトとエッジノイズが少ないことが明らかになった。