[論文レビュー] Model Learning: Primal Dual Networks for Fast MR imaging

Jing Cheng, Haifeng Wang+2 more|arXiv (Cornell University)|Aug 7, 2019

Advanced MRI Techniques and Applications参考文献 14被引用数 5

ひとこと要約

本稿では、高次サンプリングされたk-spaceデータからのMRI再構成を高速化するための、学習可能な深層ネットワークアーキテクチャであるPrimal Dual Network（PD-Net）を提案する。反復的にk-spaceと画像空間で更新しながら、段階的に制約を緩和することで、最適化理論とディープラーニングを統合し、最先端の画像品質を達成する。臨床的データセットにおいて、既存手法を上回る性能を発揮する。

ABSTRACT

Magnetic resonance imaging (MRI) is known to be a slow imaging modality and undersampling in k-space has been used to increase the imaging speed. However, image reconstruction from undersampled k-space data is an ill-posed inverse problem. Iterative algorithms based on compressed sensing have been used to address the issue. In this work, we unroll the iterations of the primal-dual hybrid gradient algorithm to a learnable deep network architecture, and gradually relax the constraints to reconstruct MR images from highly undersampled k-space data. The proposed method combines the theoretical convergence guarantee of optimi-zation methods with the powerful learning capability of deep networks. As the constraints are gradually relaxed, the reconstruction model is finally learned from the training data by updating in k-space and image domain alternatively. Experi-ments on in vivo MR data demonstrate that the proposed method achieves supe-rior MR reconstructions from highly undersampled k-space data over other state-of-the-art image reconstruction methods.

研究の動機と目的

• 高次サンプリングされたk-spaceデータからの、アンダーサンプリングに起因する不適切な逆問題を解決すること。
• 理論的収束保証を持つ最適化ベース手法と、高い表現能力を持つディープラーニングモデルの間のギャップを埋めること。
• 画像ドメインとk-spaceドメインの制約を交互に更新する微分可能で反復的なネットワークアーキテクチャを開発すること。
• トレーニングデータから直接再構成モデルを学習できる、エンドツーエンドの深層ネットワークの訓練を可能にすること。

提案手法

• 本手法は、学習可能な層を備えた深層残差ネットワーク構造に、プライマルデュアルハイブリッド勾配（PDHG）アルゴリズムをアンロールする。
• 画像ドメインとk-spaceドメインの更新を交互に実行し、ソフトスレッショルド処理とデータ整合性制約を適用する。
• トレーニング中に制約を段階的に緩和することで、アンダーサンプリングデータからの最適な再構成モデルをネットワークが学習できるようにする。
• 両ドメインにおけるデータ適合性とスパarsity促進正則化の組み合わせを用いて、エンドツーエンドでネットワークをトレーニングする。
• 元のアルゴリズムのプライマルデュアル構造を保持することで、理論的収束保証を維持する。
• バックプロパゲーションにより最適化し、トレーニングデータ上の再構成損失を最小化するようにパラメータを更新する。

実験結果

リサーチクエスチョン

• RQ1 最適化ベースのMRI再構成手法の収束特性を保ちつつ、収束保証を持つ深層ニューラルネットワークを設計できるか？
• RQ2 プライマルデュアルフレームワークを、学習可能なエンドツーエンドの深層ネットワークにどのように適応できるか？
• RQ3 制約の段階的緩和が、高次サンプリングMRIにおける再構成品質にどの程度向上効果をもたらすか？
• RQ4 最適化理論とデータ駆動型学習を組み合わせることで、純粋なディープラーニングまたは純粋な最適化手法に比べて優れた画像品質が得られるか？
• RQ5 提案手法は、高加速要因を有する多様な臨床的MRIデータセットにおいて、一般化性能を示せるか？

主な発見

• 提案されたPD-Netは、高加速要因を有する臨床的MRIデータセットにおいて、最先端の手法を上回る優れた再構成品質を達成した。
• エンドツーエンド学習により、理論的収束保証を維持しながら、顕著に向上した再構成精度を実現した。
• 実験により、トレーニング中に制約を段階的に緩和することで、より良い一般化性能と画像のアーチファクト低減が達成された。
• PSNRおよびSSIM指標において、従来の圧縮センシング手法や完全に学習された再構成モデルを上回る性能を示した。
• 臨床的MRIデータにおける異なる解剖的領域や加速パターンに対しても、本アーキテクチャは頑健であることが示された。