[論文レビュー] Motion Corrected Multishot MRI Reconstruction Using Generative Networks with Sensitivity Encoding
本論文では、マルチショットMRIにおける後向きモーショントラブル補正のためのGAN強化型共役勾配SENSE（CG-SENSE）フレームワークを提案する。運動による汚損を受けるk-spaceデータは、まずCG-SENSEによって再構成され、その後生成的対抗ネットワーク（GAN）によってアーチファクトが除去される。本手法は、反復的手法と比較して計算時間を100倍短縮しつつ、画像品質が最先端水準に達し、さまざまなモーショントラブルレベル、ショット数、符号化トレースに対して堅牢であることを示した。
Multishot Magnetic Resonance Imaging (MRI) is a promising imaging modality that can produce a high-resolution image with relatively less data acquisition time. The downside of multishot MRI is that it is very sensitive to subject motion and even small amounts of motion during the scan can produce artifacts in the final MR image that may cause misdiagnosis. Numerous efforts have been made to address this issue; however, all of these proposals are limited in terms of how much motion they can correct and the required computational time. In this paper, we propose a novel generative networks based conjugate gradient SENSE (CG-SENSE) reconstruction framework for motion correction in multishot MRI. The proposed framework first employs CG-SENSE reconstruction to produce the motion-corrupted image and then a generative adversarial network (GAN) is used to correct the motion artifacts. The proposed method has been rigorously evaluated on synthetically corrupted data on varying degrees of motion, numbers of shots, and encoding trajectories. Our analyses (both quantitative as well as qualitative/visual analysis) establishes that the proposed method significantly robust and outperforms state-of-the-art motion correction techniques and also reduces severalfold of computational times.
研究の動機と目的
- マルチショットMRIにおけるモーショントラブルが画像品質を低下させ、誤診のリスクを引き起こすという課題に対処する。
- 計算コストが高く、モーショントラブルの大きさや符号化方式に敏感である反復的手法の限界を克服する。
- モーショントラブル推定を取得時または再構成時に必要としない、パラメータフリーでエンドツーエンドのモーショントラブル補正フレームワークを開発する。
- さまざまなマルチショットMRIパrameter（モーショントラブルの程度、ショット数、符号化トレース）にわたる堅牢な性能を実現する。
- 再構成時間を顕著に短縮し、高解像度マルチショットMRIの臨床的導入を可能にする。
提案手法
- k-spaceデータから感度符号化を用いた並列イメージングを活用し、共役勾配SENSE（CG-SENSE）を適用して運動による汚損を受けた画像を再構成する。
- アーチファクトを含む再構成画像を生成的対抗ネットワーク（GAN）に供給し、運動による劣化を受けた画像をアーチファクトのない高品質なMR画像にマッピングする学習を実施する。
- 生成画像の知覚的一致性と高次元の画像構造を強化するため、敵対的損失を用いてGANを訓練する。これにより、リアルさの向上とアーチファクトの抑制が達成される。
- モーショントラブル補正を再構成プロセスから分離する：まずCG-SENSEがk-spaceの完全再構成を実行し、その後にGANによる精錬を実施する。
- 判別器ネットワークを用いて、実画像と生成画像を区別させ、生成器が明示的なモーショントラブルモデルなしに現実的な画像事前分布を学習できるようにする。
- 本フレームワークは符号化トレースやショット数に依存しないため、さまざまなマルチショットMRIプロトコルへの一般化が可能である。
実験結果
リサーチクエスチョン
- RQ1取得時または再構成時に事前のモーショントラブル推定を必要としないGANベースのフレームワークは、マルチショットMRIにおけるモーショートラブルアーチファクトを効果的に補正できるか？
- RQ2本手法は、最先端の反復的モーショントラブル補正手法と比較して、画像品質および計算効率の面で優れているか？
- RQ3本手法の性能は、剛体的頭部モーショントラブルの程度、ショット数、符号化トレースの変動に対しても堅牢であるか？
- RQ4GANベースの補正ステップはモーショントラブルの大きさや再構成の複雑さに依存せず、入力パラメータに関係なく一貫した推論時間を維持できるか？
主な発見
- 提案手法は、最先端の反復的手法[21]と比較して、計算時間を100倍以上短縮した。モーショントラブルの程度に関係なく、一貫した補正時間0.28秒を達成した。
- 128ショットの場合、提案手法の総再構成時間は1.40秒にとどまり、反復的手法[21]の89.19秒と比較して顕著な高速化が実現された。
- 14°のモーショントラブル条件下では、反復的手法が152.03秒を要したが、提案手法は常に0.28秒の一定した補正時間を維持した。これにより、スケーラビリティの優位性が示された。
- GANベースの補正ステップはモーショントラブルの大きさに依存しなかったため、5°から14°の範囲で安定した性能を発揮した。これに対して反復的手法は、モーショントラブルが大きくなるとスケーリングが著しく劣化した。
- 視覚的および定量的評価により、本手法が、すべてのテストパラメータにおいて、既存手法を上回るアーチファクト抑制と構造的類似性（SSIM）を達成していることが確認された。
- 本フレームワークは符号化トレースやショット数の変更に対しても耐性を示し、再トレーニングやアーキテクチャ変更なしに高品質な画像を維持した。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。