[論文レビュー] MRI Reconstruction via Cascaded Channel-wise Attention Network

Qiaoying Huang, Dong Yang+4 more|arXiv (Cornell University)|Oct 18, 2018

Sparse and Compressive Sensing Techniques参考文献 12被引用数 5

ひとこと要約

本稿では、極めて低減サンプリングされたk空間データからのMRI再構成を目的として、チャネル別アテンションを統合した段階的U-Net、MICCANを提案する。チャネル別アテンションにより顕著な特徴を強調し、低周波成分の保持を目的とした長距離スキップ接続を採用し、視覚的忠実度を向上させるための組み合わせ損失関数を適用することで、MICCANは最先端の性能を達成し、12.5％の undersampling 率においてNRMSEを0.0385、PSNRを28.45まで低減した。

ABSTRACT

We consider an MRI reconstruction problem with input of k-space data at a very low undersampled rate. This can practically benefit patient due to reduced time of MRI scan, but it is also challenging since quality of reconstruction may be compromised. Currently, deep learning based methods dominate MRI reconstruction over traditional approaches such as Compressed Sensing, but they rarely show satisfactory performance in the case of low undersampled k-space data. One explanation is that these methods treat channel-wise features equally, which results in degraded representation ability of the neural network. To solve this problem, we propose a new model called MRI Cascaded Channel-wise Attention Network (MICCAN), highlighted by three components: (i) a variant of U-net with Channel-wise Attention (UCA) module, (ii) a long skip connection and (iii) a combined loss. Our model is able to attend to salient information by filtering irrelevant features and also concentrate on high-frequency information by enforcing low-frequency information bypassed to the final output. We conduct both quantitative evaluation and qualitative analysis of our method on a cardiac dataset. The experiment shows that our method achieves very promising results in terms of three common metrics on the MRI reconstruction with low undersampled k-space data.

研究の動機と目的

• 従来のディープラーニング手法がチャネル別特徴を均等に扱うため、極めて低減サンプリングされたk空間データからの高品質なMRI再構成という課題に対処すること。
• 不要でノイズの多い特徴をフィルタリングするチャネル別アテンションを導入することで、MRI再構成におけるディープネットワークの表現能力を向上させること。
• 長距離スキップ接続により低周波成分を直接最終出力に伝えることで、構造的整合性を保ち、ネットワークが高周波成分の学習に集中できるようにすることで再構成品質を向上させること。
• 標準的なℓ₂損失と比較して、ぼんやりとした画像を低減するための、ℓ₂損失と視覚的損失を統合した組み合わせ損失関数の開発。

提案手法

• モデルは、最終出力に対する重要度に基づいて特徴チャネルを再重み付けすることができる、チャネル別アテンション（UCA）モジュールを統合した変更版U-Netアーキテクチャを採用する。
• UCAモジュールは、グローバル平均プーリングと、圧縮・拡張機構を備えた全結合層を用いてチャネル別アテンション重みを計算し、特徴表現を強化する。
• 低周波成分を直接最終出力に伝える長距離スキップ接続を導入することで、構造的整合性を確保し、ネットワークが高周波成分の詳細に集中できるようにする。
• ℓ₂損失とVGG-16特徴からの視覚的損失を統合した組み合わせ損失関数を採用し、視覚的品質を向上させ、ぼんやりとした画像を低減する。
• 学習率1e-4で、15エポックごとに0.5に減衰させ、バッチサイズ8で50エポックにわたり、PyTorchを用いてエンドツーエンドで訓練する。
• 各再構成ブロックの後にデータ整合性レイヤーを適用し、取得されたk空間データへの忠実度を保証する。

実験結果

リサーチクエスチョン

• RQ1 チャネル別アテンション機構は、極めて低減サンプリングされたk空間データに対するディープラーニングベースのMRI再構成において、特徴表現を向上させることができるか？
• RQ2 低周波成分を保持する長距離スキップ接続は、ネットワークが高周波成分の詳細に集中できるようにすることで、再構成品質を向上させることができるか？
• RQ3 ℓ₂損失と視覚的損失の両方を統合した組み合わせ損失関数は、ℓ₂損失単体と比較して、画像のぼやけを低減し、視覚的品質を向上させることができるか？
• RQ4 12.5％の undersampling 率において、提案されたMICCANモデルは、NRMSE、PSNR、およびSSIMの観点から最先端の手法と比較してどのように差をつけるか？

主な発見

• 組み合わせ損失を用いたMICCAN（MICCAN-B）は、0.8214という最高のSSIMスコアを達成し、すべてのベースラインを大きく上回り、構造的保持の優位性を示した。
• MICCAN-Cバージョンは、NRMSEが0.0385で最低、PSNRが28.4489で最高となり、長距離スキップ接続と組み合わせ損失の両方の効果を実証した。
• 単にℓ₂損失で訓練されたMICCAN-Aですら、最先端のMRN5モデルを上回り、NRMSE 0.0402、PSNR 28.0664を達成した。
• 定性的な分析では、MICCANモデルが、従来の手法や先行のディープラーニングモデルと比較して、ぼんやりとしたアーティファクトが少なく、細かな解剖学的特徴をよりよく回復した、よりシャープな画像を生成していることが示された。
• アブレーションスタディにより、チャネル別アテンション機構と組み合わせ損失の両方が、性能向上に顕著な寄与をしていることが確認され、長距離スキップ接続がさらなる改善をもたらした。