[論文レビュー] MRI Banding Removal via Adversarial Training

Aaron Defazio, Tullie Murrell+1 more|arXiv (Cornell University)|Jan 23, 2020

Medical Imaging Techniques and Applications参考文献 20被引用数 8

ひとこと要約

本論文は、人間のアノテーションや追加計算を必要とせずに、深層学習ベースのMRI再構成におけるバンド状アーチファクトを除去する対抗的訓練手法を提案する。位相エンコーディング方向に沿ったバンド状パターンを検出できるディスクリミネーターを訓練することで、診断に必要な詳細を保持したまま著しく目立たないアーチファクトを低減し、盲検評価においてベースラインモデルを上回る性能を示した。

ABSTRACT

MRI images reconstructed from sub-sampled Cartesian data using deep learning techniques often show a characteristic banding (sometimes described as streaking), which is particularly strong in low signal-to-noise regions of the reconstructed image. In this work, we propose the use of an adversarial loss that penalizes banding structures without requiring any human annotation. Our technique greatly reduces the appearance of banding, without requiring any additional computation or post-processing at reconstruction time. We report the results of a blind comparison against a strong baseline by a group of expert evaluators (board-certified radiologists), where our approach is ranked superior at banding removal with no statistically significant loss of detail.

研究の動機と目的

• 深層学習ベースのMRI再構成におけるバンド状アーチファクトという主要な臨床的障壁に対処すること。
• 人間によるアノテーションデータや後処理を必要とせずにバンド状アーチファクトを低減する手法を開発すること。
• 画像の詳細を維持しつつ放射線科医が評価する際の視覚的質を向上させること。
• 任意の教師あり深層学習MRI再構成フレームワークと互換性のあるプラグインソリューションを構築すること。

提案手法

• 位相エンコーディング方向に沿ったバンド状アーチファクトの有無に基づいて再構成画像を識別する方向性アドバーシャルを導入する。
• 真値画像ではなく再構成済み画像のみを用いてディスクリミネーターを訓練することで、架空の解剖的特徴が混入するリスクを回避する。
• 標準的な教師ありMRI再構成モデルの学習目的関数に、対抗的損失を統合する。
• バンド状アーチファクトが最も目立つ領域（低コントラスト領域や高ノイズ領域など）に注目するためのマスキング手順を用いる。
• 生成器とディスクリミネーターを標準的なGAN最適化により同時に学習させ、生成器がバンド状アーチファクトのない出力を学習するようにする。
• アーキテクチャや推論パイプラインを変更せずに、最先端のMRI再構成モデルに本手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 人間のアノテーションを必要とせずに、対抗的訓練が深層学習ベースのMRI再構成におけるバンド状アーチファクトを効果的に低減できるか？
• RQ2 提案手法はバンド状アーチファクトを除去しながらも、微細な解剖的詳細を保持できるか？
• RQ3 真値画像に依存せずに、方向性アドバーシャルがバンド状パターンを検出できるか？
• RQ4 本手法は既存の教師ありMRI再構成フレームワークと互換性があるか？
• RQ5 盲検評価において、本手法は放射線科医の画像品質評価を向上させられるか？

主な発見

• 認定放射線科医による盲検評価において、本手法はベースラインよりバンド状アーチファクト除去において優れた順位を得ており、詳細の有意な損失は認められなかった。
• 放射線科医の評価では、ベースライン再構成画像においてバンド状アーチファクトが検出された割合は72.5%（95%信頼区間：0.62–0.82）であったが、対抗的手法では評価者間中央値で20%にまで低下した。
• 本手法は推論時の追加計算や後処理を必要とせず、優れた性能を達成した。
• 方向性アドバーシャルは真値画像に依存せず再構成済み画像のみを用いてバンド状パターンを効果的に検出でき、架空の解剖的構造が混入するリスクを回避した。
• 本手法は、教師あり深層学習MRI再構成モデルであれば、アーキテクチャを変更せず、プラグインとして適用可能である。
• 再現性および統合のため、参考実装が補足資料に公開されている。