[論文レビュー] Multi-shot multi-channel diffusion data recovery using structured low-rank matrix completion

Merry Mani, Mathews Jacob+2 more|arXiv (Cornell University)|Feb 22, 2016

Advanced Neuroimaging Techniques and Applications参考文献 41被引用数 3

ひとこと要約

本稿では、運動由来の位相変動を明示的な位相推定なしに暗黙的に補償することで、校正不要なマルチショット拡散テンソル画像法（DWI）再構成手法MUSSELSを提案する。この手法は、構造的低ランク行列補完を活用し、k-spaceデータをブロック・ハンケル行列構造に変換し、滑らかな位相モードに由来する核空間ベクトルを用いて低ランク構造を強制的に維持する。また、データ整合性を満たす核ノルム最小化を用いてアーリアス画像を回復する。従来のSENSE法や位相ベース手法と比較して、特にアンダーサンプリングまたはノイジーな条件下でもゴーストアーチファクトの低減が顕著に優れている。

ABSTRACT

Purpose: To introduce a novel method for the recovery of multi-shot diffusion weighted (MS-DW) images from echo-planar imaging (EPI) acquisitions. Methods: Current EPI-based MS-DW reconstruction methods rely on the explicit estimation of the motion- induced phase maps to recover the unaliased images. In the new formulation, the k-space data of the unaliased DWI is recovered using a structured low-rank matrix completion scheme, which does not require explicit estimation of the phase maps. The structured matrix is obtained as the lifting of the multi-shot data. The smooth phase-modulations between shots manifest as null-space vectors of this matrix, which implies that the structured matrix is low-rank. The missing entries of the structured matrix are filled in using a nuclear-norm minimization algorithm subject to the data-consistency. The formulation enables the natural introduction of smoothness regularization, thus enabling implicit motion-compensated recovery of fully-sampled as well as under-sampled MS-DW data. Results: Our experiments on in-vivo data show effective removal of the ghosting artifacts arising from intershot motion in MS-DW data using the proposed method. The performance is comparable and better in certain cases than conventional phase-based methods. Conclusion: The proposed method can achieve effective unaliasing of fully/under-sampled MS-DW images without using explicit phase estimates.

研究の動機と目的

• マルチショット拡散画像法（MS-DWI）におけるショット間の運動由来位相変動が引き起こすゴーストアーチファクトを解消すること。
• アンダーサンプリングまたはノイジーなデータにおいて誤差が生じやすい運動由来位相マップの明示的推定を不要とするための手法開発。
• 完全サンプリングおよびアンダーサンプリング両方のMS-DWIデータに対して、効果的なアンアリヤシングを実現する耐障害性の高い校正不要な再構成手法の開発。
• 運動アーチファクトに起因する残存アンアリヤシングを低減することで、DTIにおける画像品質およびテンソル推定精度の向上。

提案手法

• 本手法は、k-spaceデータ行列にスライディングウィンドウを適用することで、マルチショットk-spaceデータからブロック・ハンケル行列を構築し、構造的低ランク行列を形成する。
• 滑らかな位相モードがショット間で生じるため、構造的行列内に核空間ベクトルが生成され、低ランク構造が示唆されることを活用する。
• データ整合性制約を満たす核ノルム最小化により、アンアリヤスk-spaceデータを回復し、暗黙的な運動補償を実現する。
• 特にアンダーサンプリングまたはノイジーな状況下でも再構成品質を向上させるために、滑らかさ正則化（SR）を組み込む。
• k-spaceにおける偏微分情報を取り込むために、連合行列リフト定式化を用い、構造的行列の低ランク近似を改善する。
• 最適化問題を解くために増幅ラグランジュ法を採用し、回復プロセスにおける収束性と安定性を保証する。

実験結果

リサーチクエスチョン

• RQ1 マルチショット拡散画像法におけるゴーストアーチファクトは、運動由来位相マップの明示的推定を伴わず、効果的に低減可能か？
• RQ2 アンダーサンプリングまたはノイジーなMS-DWIデータにおいて、位相ベースの再構成手法に代わる構造的低ランク行列補完が耐障害性の高い代替手段となり得るか？
• RQ3 従来のSENSE法および位相推定ベース手法（例：MUSE）と比較して、提案手法はアーチファクト低減および画像品質の面でどの程度優れているか？
• RQ4 滑らかさ正則化を組み込むことで、アンアリヤスDWIデータの再構成品質はどの程度向上するか？
• RQ5 T2減衰およびエコートレイン長が問題となる高解像度または超高磁場MRI環境でも、本手法は信頼できるアンアリヤシングを達成できるか？

主な発見

• 提案されたMUSSELS手法は、明示的な位相推定を要せず、ゴーストアーチファクトを効果的に除去し、従来のSENSE法や位相ベース手法と同等またはそれ以上の性能を達成した。
• 完全サンプリング8ショットデータにおいて、滑らかさ正則化（SR）を適用しないMUSSELSは、TV-MUSEを上回り、MUSEおよびSENSEと比較してより良好なFAマップを生成した。
• 滑らかさ正則化を適用したSR-MUSSELSは、さらに画像品質が向上し、テストした全手法の中で最も正確なFAマップを生成した。
• 4ショットアンダーサンプリングデータにおいて、均一および非均一サンプリングパターンの両方で、MUSSELSは効果的なアンアリヤシングを達成した。非正則化再構成でも良好な性能を示した。
• MUSEがノイジーな位相推定により失敗する状況でも、MUSSELSは安定した性能を維持し、明示的位相推定に比べて暗黙的運動補償の優位性を示した。
• 7T超高磁場イメージングにおいても、長時間のエコーアウトプットによる信号ドロップアウトや幾何的歪みが顕著な状況でも、MUSSELSはアンアリヤスDWIの効果的回復を示した。