[論文レビュー] MRF denoising with compressed sensing and adaptive filtering

Zhe Wang, Qinwei Zhang+2 more|arXiv (Cornell University)|Jan 3, 2014

Sparse and Compressive Sensing Techniques参考文献 5被引用数 4

ひとこと要約

本稿では、k-space再構成に圧縮センシング（CS）を統合し、誤差予測に意思決定木を、誤差補正に適応型フィルタリングを組み合わせることで、磁気共鳴指紋認識（MRF）のパラメータマップ品質を向上させる新規フレームワークを提案する。この手法はPSNRとSSIMを顕著に向上させ、T1マップでは最大28.4 dBのPSNRおよび0.881のSSIMを達成し、ベースラインMRFおよび中間的手法を上回る性能を示した。

ABSTRACT

The recently proposed Magnetic Resonance Fingerprinting (MRF) technique can simultaneously estimate multiple parameters through dictionary matching. It has promising potentials in a wide range of applications. However, MRF introduces errors due to undersampling during the data acquisition process and the limit of dictionary resolution. In this paper, we investigate the error source of MRF and propose the technologies of improving the quality of MRF with compressed sensing, error prediction by decision trees, and adaptive filtering. Experimental results support our observations and show significant improvement of the proposed technologies.

研究の動機と目的

• MRFパラメータ推定における主な誤差要因、特にk-spaceのアンダーサンプリングと辞書解像度の限界を特定・解決すること。
• ノイズや辞書エントリとの不一致が生じる状況下でも、MRF由来の定量的マップの精度とロバスト性を向上させること。
• 圧縮センシング、機械学習に基づく誤差予測、空間フィルタリングを統合したハイブリッドフレームワークを構築し、画像品質を向上させること。

提案手法

• 辞書マッチングの前段階で、各サンプリング時間に圧縮センシングを適用し、アンダーサンプリングされたk-spaceデータを再構成することでアーチファクトを低減する。
• 辞書マッチングからの上位8つの類似度スコアとインデックスを用いて意思決定木を学習し、画素単位の推定誤差を予測する。
• 誤った画素自体を除外する適応型フィルタリングを実装し、局所的な類似度に基づいて周辺画素に重みを付けて不一致推定値を補正する。
• 測定された信号進化と辞書エントリとの間のドット積類似度を用いて、最も一致するパラメータを特定する。
• CS再構成 → 意思決定木による誤差予測 → 予測誤差の適応型フィルタリングというマルチステージパイプラインを設計する。
• 臨床的スキャン時間制約を模擬するため、70%の比率で変動密度のランダムアンダーサンプリングマスクを用いる。

実験結果

リサーチクエスチョン

• RQ1 k-spaceのアンダーサンプリングと辞書解像度の限界が、MRFパラメータマップの精度にどのように影響するか？
• RQ2 複数の類似度指標に基づいて学習された意思決定木は、単一閾値手法と比較して、不一致画素の検出をどのように改善するか？
• RQ3 圧縮センシングと適応型フィルタリングを組み合わせることで、MRFにおける推定誤差はどの程度低減されるか？
• RQ4 フィルタリングカーネルから誤った画素を除外することで、補正済みパラメータマップの品質はどのように向上するか？
• RQ5 提案された各構成要素は、T1、T2、オフ・レゾナンスマップの全パラメータマップにおいて、PSNRとSSIMという指標でどのように定量的に比較されるか？

主な発見

• 提案されたCS-Tree8AF手法は、T1マップでPSNR 28.4 dB、SSIM 0.881を達成し、標準MRF（PSNR 24.3 dB）と比較して4.1 dBの向上を示した。
• オフ・レゾナンス周波数マップでは、CS-Tree8AFがPSNR 28.9 dB、SSIM 0.974を達成し、MRFと比較してそれぞれ6.0 dBおよび0.107の向上を示した。
• 意思決定木に上位類似度スコアとインデックスの8つの入力属性を組み込むことで、単一または4属性モデルと比較して、より優れた誤差予測が可能になった。
• 適応型フィルタリングは、意思決定木による予測と組み合わせることで顕著に結果を改善し、CSのみまたはフィルタリングのみのアプローチを上回った。
• この手法は、特に真のパラメータが辞書エントリの間にある領域で、非ガウス分布の推定誤差を効果的に低減した。
• 定量的評価により、CS-Tree8AFは全指標および全パラメータマップにおいて、すべてのベースラインを上回り、ロバスト性とスケーラビリティを示した。