[論文レビュー] MR image reconstruction using the learned data distribution as prior.

Kerem Can Tezcan, Christian F. Baumgartner+1 more|arXiv (Cornell University)|Nov 30, 2017

Radiomics and Machine Learning in Medical Imaging被引用数 3

ひとこと要約

本稿では、変分オートエンコーダー（VAE）を用いてMR画像のパッチの確率分布を学習し、Maximum-A-Posteriori（MAP）フレームワーク内で非線形事前分布として用いる、革新的なMR画像再構成手法を提案する。この手法は、全変動（TV）、辞書学習、ADMM-Netの手法を上回る再構成精度と病変の保持性能を示し、アンダーサンプリング比が2および3のそれぞれでRMSEが2.77%および4.29%を達成した。

ABSTRACT

MR image reconstruction from undersampled data exploits priors to compensate for missing k-space data. This has previously been achieved by using regularization methods, such as TV and wavelets, or data adaptive methods, such as dictionary learning. We propose to explicitly learn the probability distribution of MR image patches and to constrain patches to have a high probability according to this distribution in reconstruction, effectively employing it as the prior. We use variational autoencoders (VAE) to learn the distribution of MR image patches. This high dimensional distribution is modelled by a latent parameter model of lower dimensions in a non-linear fashion. We develop a reconstruction algorithm that uses the learned prior in a Maximum-A-Posteriori estimation formulation. We evaluate the proposed method with T1 weighted images and compare it to existing alternatives. We also apply our method on images with white matter lesions. Visual evaluation of the samples drawn from the learned model showed that the VAE algorithm was able to approximate the distribution of MR image patches. Furthermore, the reconstruction algorithm using the approximate distribution produced qualitatively better results. The proposed technique achieved RMSE, CNR and CN values of 2.77%, 0.43, 0.11 and 4.29%, 0.43, 0.11 for undersampling ratios of 2 and 3, respectively. It outperformed other evaluated methods in terms of used metrics. In the experiments on images with white matter lesions, the method faithfully reconstructed the lesions. We introduced a novel method for MR reconstruction, which takes a new perspective on regularization by learning priors. Results suggest the method compares favorably against TV and dictionary based methods as well as the neural-network based ADMM-Net in terms of the RMSE, CNR and CN and perceptual image quality and can reconstruct lesions as well.

研究の動機と目的

• 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MR画像を再構成する課題に対処すること。
• 全変動やウェーブレットといった従来の正則化手法を改善し、データ駆動型で非線形な事前分布を学習すること。
• 画像パッチの学習済み分布を確率的事前分布として活用する再構成フレームワークの構築。
• 健常なT1強調画像および白質病変を有する病理的スキャンの両方で、この手法を評価すること。
• 最先端の手法と比較して、定量的指標および主観的画像品質の両面で優れた性能を示すことを実証すること。

提案手法

• 完全にスキャンされたMR画像から抽出したパッチを用いて、変分オートエンコーダー（VAE）をトレーニングし、データの背後にある分布を学習する。
• 非線形で深層ニューラルネットワークを用いたマッピングにより、高次元のパッチ分布を低次元の潜在空間でモデル化する。
• 学習済みのVAEを用いて、画像再構成のためのMaximum-A-Posteriori（MAP）推定フレームワークにおける事前分布を定義する。
• 再構成アルゴリズムは、アンダーサンプリングされたk空間データとの整合性を保ちつつ、学習済みパッチ分布における高い尤度を確保するように最適化する。
• 反復的最適化スキームにVAE事前分布を統合し、データ適合性と事前分布への適合性のバランスを取る。
• TVやスパarsity制約といった明示的な正則化項を必要とせず、エンドツーエンドの再構成を可能にする。

実験結果

リサーチクエスチョン

• RQ1 VAEのような深層生成モデルは、MR画像パッチの複雑で高次元の分布を効果的に捉えることができるか？
• RQ2 学習済みのVAEベースの事前分布を用いることで、古典的な正則化手法よりもMR画像再構成品質が向上するか？
• RQ3 本手法は、白質病変を有する病理的画像において、既存の最先端技術と比較してどのように性能を発揮するか？
• RQ4 VAE事前分布は、高アンダーサンプリング比においてどの程度再構成精度を向上させるか？
• RQ5 VAEベースの事前分布は、従来の事前分布よりも細部の解剖学的構造や病変をよりよく保持できるか？

主な発見

• 生成されたパッチの可視的サンプリングにより、VAEがMR画像パッチの分布を的確に近似していることが確認された。
• 本手法は、アンダーサンプリング比が2および3のそれぞれで、RMSEが2.77%および4.29%を達成し、他の手法を上回った。
• 両アンダーサンプリング比において、コントラストノイズ比（CNR）が0.43、相関係数（CN）が0.11に向上した。
• 白質病変を有する画像において、本手法は病変構造を忠実に再構成し、重要な病理的詳細を保持した。
• 主観的評価においても、TV、辞書学習、ADMM-Netと比較して、アーティファクトが少なく、構造的忠実度が向上した。
• VAEを用いたデータ駆動型で非線形な事前分布の学習が、手作業で設計されたあるいは線形な事前分布よりも、MR画像再構成において優れた性能をもたらすことが実証された。