[論文レビュー] Multi-channel MR Reconstruction (MC-MRRec) Challenge - Comparing Accelerated MR Reconstruction Models and Assessing Their Genereralizability to Datasets Collected with Different Coils.

Youssef Beauferris, Jonas Teuwen+18 more|arXiv (Cornell University)|Nov 10, 2020

Advanced MRI Techniques and Applications参考文献 35被引用数 5

ひとこと要約

本論文は、12チャネルデータにおける加速MR再構成モデルの評価と、32チャネルデータへの一般化性能のテストを対象とするMC-MRRecチャレンジの初回版を提示する。ベースラインモデルと提出モデルを比較することで、臨床応用に不可欠なクロスコイル一般化の課題が明らかになった。

ABSTRACT

The 2020 Multi-channel Magnetic Resonance Reconstruction (MC-MRRec) Challenge had two primary goals: 1) compare different MR image reconstruction models on a large dataset and 2) assess the generalizability of these models to datasets acquired with a different number of receiver coils (i.e., multiple channels). The challenge had two tracks: Track 01 focused on assessing models trained and tested with 12-channel data. Track 02 focused on assessing models trained with 12-channel data and tested on both 12-channel and 32-channel data. While the challenge is ongoing, here we describe the first edition of the challenge and summarise submissions received prior to 5 September 2020. Track 01 had five baseline models and received four independent submissions. Track 02 had two baseline models and received two independent submissions. This manuscript provides relevant comparative information on the current state-of-the-art of MR reconstruction and highlights the challenges of obtaining generalizable models that are required prior to clinical adoption. Both challenge tracks remain open and will provide an objective performance assessment for future submissions. Subsequent editions of the challenge are proposed to investigate new concepts and strategies, such as the integration of potentially available longitudinal information during the MR reconstruction process. An outline of the proposed second edition of the challenge is presented in this manuscript.

研究の動機と目的

• 大規模なマルチチャネルデータセットを用いて、最先端の加速MR再構成モデルの評価と比較を行う。
• 12チャネルデータで訓練されたモデルが32チャネルデータに適用された際の一般化性能を評価する。
• 異なるコイル設定間でのモデルの転送可能性に関する性能ギャップと課題を同定する。
• 今後のモデル開発および臨床的評価のためのベンチマークを確立する。
• 縦断的データの統合や新たな再構成戦略を組み込んだ今後のチャレンジ版のフレームワークを提示する。

提案手法

• チャレンジは2つのトラックに構成された：トラック01は12チャネルデータでの評価に限定され、トラック02は12チャネルで訓練されたモデルが12チャネルおよび32チャネルデータの両方で評価された。
• トラック01には5つのベースラインモデルが提供され、性能の基準として機能した。トラック02には2つのベースラインモデルが提供された。
• トラック01には4件の独立した提出が、トラック02には2件の提出が届けられ、両者ともテストデータ上で標準化された指標を用いて評価された。
• 再構成画像の定量的指標を用いて性能を評価し、画像品質および構造的類似性に特に注目した。
• チャレンジフレームワークにより、異なるコイル設定間でのモデルの客観的かつ再現可能な比較が可能になった。
• 第二版の提案では、再構成パイプラインへの縦断的情報の統合を検討する。

実験結果

リサーチクエスチョン

• RQ1 異なる加速MR再構成モデルは、12チャネルデータにおいて、どのような画像品質と再構成精度を示すか？
• RQ2 12チャネルデータで訓練されたモデルは、32受信コイルで取得されたデータにどの程度一般化できるか？
• RQ3 トレーニングとテストでコイル設定が異なる場合、モデルの一般化性能にどのような主な制限要因があるか？
• RQ4 ベースラインモデルと提出モデルの間で、再構成忠実度および耐障害性の観点から、性能にどのような差が見られるか？
• RQ5 縦断的データ統合などの今後の改善策は、MR再構成におけるモデル一般化性能の向上にどのように寄与できるか？

主な発見

• チャレンジの結果、提出モデル間で顕著な性能差が認められ、一部のモデルは12チャネルデータにおいて優れた再構成品質を示した。
• 32チャネルデータへの一般化は依然として大きな課題であり、大多数のモデルが高チャネルデータで性能を低下させた。
• ベースラインモデルは安定した性能基準を提供したが、いくつかの提出モデルは12チャネルデータでそれらを上回った。
• 12チャネルと32チャネルでの評価結果の差が示したように、より強固でコイルに依存しない再構成戦略の必要性が浮き彫りになった。
• チャレンジフレームワークは、多様なコイル設定間でのモデルの客観的かつ再現可能なベンチマーク評価を成功裏に実現した。
• 結果から、臨床応用に向けた前段階として、コイルアレイに依存しないモデルの開発が不可欠であることが強調された。