[論文レビュー] Model-based reconstruction of non-rigid 3D motion-fields from minimal $k$-space data: MR-MOTUS

Niek R. F. Huttinga, Cornelis A. T. van den Berg+2 more|arXiv (Cornell University)|Feb 15, 2019

Advanced MRI Techniques and Applications参考文献 49被引用数 4

ひとこと要約

MR-MOTUS は、参照画像の変形を通じて k 空間から運動場へとリンクする新しい信号モデルを活用して、極度に undersampled な k 空間データから 3D 非剛性運動場を直接再構成するモデルベースのフレームワークを導入する。非剛性呼気運動においては最大 63 の undersampling 要因、剛性頭部運動においては最大 474 の undersampling 要因で最先端の運動再構成品質を達成し、画像再構成のボトルネックを回避することで、高空間・時間分解能の運動推定を可能にする。

ABSTRACT

Estimation of internal body motion with high spatio-temporal resolution can greatly benefit MR-guided radiotherapy/interventions and cardiac imaging, but remains a challenge to date. In image-based methods, where motion is indirectly estimated by reconstructing and co-registering images, a trade off between spatial and temporal resolution of the motion-fields has to be made due to the image reconstruction step. However, we observe that motion-fields are very compressible due to the spatial correlation of internal body motion. Therefore, reconstructing only motion-fields directly from surrogate signals or k-space data without the need for image reconstruction should require few data, and could eventually result in high spatio-temporal resolution motion-fields. In this work we introduce MR-MOTUS, a framework that makes exactly this possible. The two main innovations of this work are (1) a signal model that explicitly relates the k-space signal of a deforming object to general non-rigid motion-fields, and (2) model-based reconstruction of motion-fields directly from highly undersampled k-space data by solving the corresponding inverse problem. The signal model is derived by modeling a deforming object as a static reference object warped by dynamic motion-fields, such that the dynamic signal is given explicitly in terms of motion-fields. We validate the signal model through numerical experiments with an analytical phantom, and reconstruct motion-fields from retrospectively undersampled in-vivo data. Results show that the reconstruction quality is comparable to state-of-the-art image registration for undersampling factors as high as 63 for 3D non-rigid respiratory motion and as high as 474 for 3D rigid head motion.

研究の動機と目的

• 動的 MRI における時間的・空間的分解能のトレードオフを克服するため、画像再構成を回避し、k 空間データから直接運動場を推定すること。
• MR 導引放射線治療や心臓画像診断における高いデータ取得レートの課題に対処し、高フレームレートの運動推定を可能にすること。
• 運動場の固有の圧縮性を活用して、最小限の k 空間データから正確な 3D 非剛性運動場を再構成すること。
• k 空間データと一般の非剛性運動場を明示的に関連付ける信号モデルの開発により、直接的逆問題解法を可能にすること。

提案手法

• 静的参照画像を変形することで、k 空間データを非剛性運動場の関数として表現する動的 MR 信号モデルを導出する。
• 得られた信号モデルを用いて、極度に undersampled な k 空間データから直接運動場を回復する逆問題としての運動再構成を定式化する。
• 最適化に必要な前方および随伴演算を効率的に計算するために、タイプ 3 の非一様高速フーリエ変換（NUFFT）を用いる。
• 運動場の滑らかさと k 空間測定値との整合性を強制するモデルベース最適化フレームワークを適用する。
• 計算コストを削減するために、参照画像をダウンサンプリングするが、運動場再構成品質に悪影響を及げない。
• 運動場の圧縮性を活用して、高 undersampling 要因でも再構成忠実度を維持する。

実験結果

リサーチクエスチョン

• RQ1 中間の画像再構成を経ずに、極度に undersampled な k 空間データから 3D 非剛性運動場を直接再構成できるか？
• RQ2 画像のワープに基づく提案された信号モデルは、k 空間データと複雑な運動場との関係をどれほど正確に捉えられるか？
• RQ3 このモデルベースのアプローチを用いた場合、正確な 3D 非剛性運動再構成が可能な最大の undersampling 要因は何か？
• RQ4 極度の undersampling 条件下で、MR-MOTUS の再構成品質は最先端の画像登録手法と比べてどの程度の性能を示すか？
• RQ5 このフレームワークは、最小限の計算遅延でリアルタイム応用に拡張可能か？

主な発見

• 非剛性呼気運動の 3D 動作場において、63 の undersampling 要因でも、MR-MOTUS は最先端の画像登録手法と同等の再構成品質を達成する。
• 3D 剛性頭部運動の場合は、474 の undersampling 要因でも高い再構成品質を維持する。
• 参照画像を 2 倍ダウンサンプリングしても再構成品質が安定しており、計算時間とメモリ使用量の削減に寄与する。
• タイプ 3 NUFFT の計算が主なボトル neck であり、再構成時間の約 80% を占めているため、GPU 加速により著しい高速化が可能である。
• 質量保存則や定常状態の磁化仮定のわずかな違反に対しても、特に中心 FOV においては感受性が低く、生理的および磁場不均一性の影響に対して頑健である。
• GPU 最適化実装により、再構成が 10～50 倍高速化され、リアルタイムのオンライン運動再構成が現実可能になる。