[論文レビュー] Model-based Deep Medical Imaging: the roadmap of generalizing iterative reconstruction model using deep learning

Jing Cheng, Haifeng Wang+11 more|arXiv (Cornell University)|Jun 19, 2019

Medical Imaging Techniques and Applications参考文献 35被引用数 7

ひとこと要約

本論文は、MRIの高速化とCT/PETにおける被ばく線量の低減を目的として、モデルベースの反復的再構成アルゴリズムを深層ニューラルネットワークにアンロールする汎用フレームワークを提案する。物理的画像化モデルとディープラーニングを統合することで、画像品質と再構成速度の両方を向上させ、エンドツーエンドの学習とアルゴリズムアンロールを通じて、複数の医療画像診断タスクで最先端の性能を達成した。

ABSTRACT

Medical imaging is playing a more and more important role in clinics. However, there are several issues in different imaging modalities such as slow imaging speed in MRI, radiation injury in CT and PET. Therefore, accelerating MRI, reducing radiation dose in CT and PET have been ongoing research topics since their invention. Usually, acquiring less data is a direct but important strategy to address these issues. However, less acquisition usually results in aliasing artifacts in reconstructions. Recently, deep learning (DL) has been introduced in medical image reconstruction and shown potential on significantly speeding up MR reconstruction and reducing radiation dose. In this paper, we propose a general framework on combining the reconstruction model with deep learning to maximize the potential of deep learning and model-based reconstruction, and give the examples to demonstrate the performance and requirements of unrolling different algorithms using deep learning.

研究の動機と目的

• MRIにおける画像取得速度の遅さと、CT/PETにおける被ばく線量の懸念を解決し、データ取得を高速化すること。
• 医療画像診断モalityにおけるアンダーサンプリングによって生じるアーリアス除去アーチファクトを低減すること。
• 異なる画像診断プロトコルに一般化可能な統一されたディープラーニングフレームワークを構築すること。
• 反復的アルゴリズムをディープネットワークにアンロールすることで、再構成性能がどのように向上するかを検討すること。
• 臨床応用におけるディープラーニングと物理ベースの画像化モデルの統合のためのロードマップを提供すること。

提案手法

• フレームワークは、反復的再構成アルゴリズムを固定された層数にアンロールし、深層ニューラルネットワークアーキテクチャに変換する。
• ネットワークの各層は、反復的再構成プロセスの1ステップに対応し、データ整合性と事前知識を統合する。
• 再構成中に画像推定を段階的に改善するために、可学習パrameterizationを用いたプロキシマル演算子を採用する。
• 予測画像と真値画像の差を最小化するように、教師あり損失関数を用いてエンドツーエンドで学習する。
• 本手法はMRI、CT、PETに適用され、異なる画像診断モダリティおよびアンダーサンプリングパターンにおいて一般化能力を示した。
• 解釈可能で微分可能である再構成を可能にし、物理的制約を保持しながらディープラーニングの能力を活用する。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてディープラーニングをモデルベースの反復的再構成に体系的に統合し、画像品質を向上させることができるか？
• RQ2 アンダーサンプリングMRIおよび低被ばくCT/PETにおいて、反復的アルゴリズムをディープネットワークにアンロールすることで、どの程度の性能向上が得られるか？
• RQ3 提案されたフレームワークは、異なる画像診断モダリティおよび取得プロトコルにどのように一般化されるか？
• RQ4 効果的な反復的アルゴリズムのアンロールを可能にする、主なアーキテクチャ的および学習的要素は何か？
• RQ5 アンロールされたネットワークは、物理的に妥当で解釈可能である一方で、最先端の性能を達成できるか？

主な発見

• 提案されたアンロールネットワークは、従来の反復的手法および標準的なディープラーニング手法と比較して、顕著な画像品質の向上を達成した。
• 従来の反復的ソルバーと比較して、再構成時間を桁違いに短縮し、リアルタイム画像診断を可能にした。
• さまざまなアンダーサンプリングレベルおよびノイズレベルに対して、頑健であることが確認され、高い構造的類似性と低い誤差指標を維持した。
• アンロールアーキテクチャは、MRIにおけるカルテジアンおよび非カルテジアンk空間サンプリングを含む、異なるプロトコルにうまく一般化した。
• MRIおよび低被ばくCTのベンチマークデータセットにおいて、既存の最先端手法と同等または優れた性能を達成した。
• アブレーションスタディにより、物理モデルと学習可能なコンponentsの統合が、より優れた一般化性能と安定性をもたらすことが確認された。