[論文レビュー] On Real-time Image Reconstruction with Neural Networks for MRI-guided Radiotherapy

David E. J. Waddington, Nicholas Hindley+9 more|arXiv (Cornell University)|Feb 10, 2022

Advanced Radiotherapy Techniques被引用数 5

ひとこと要約

本論文では、MRIガイドド放射線治療におけるリアルタイムかつ高精度なアンダーサンプリング径線MRIデータの再構成を可能にするために、AUTOMAPニューラルネットワークフレームワークの使用を提案する。肺がん患者のデータを用いて訓練し、YouTube動画からのモーショングラフを含むk-spaceデータを拡張して、圧縮センシングをはるかに上回る高速再構成を実現しながらも、高い正確性を維持し、動的アトラスにおいても腫瘍追跡性能が向上する。

ABSTRACT

MRI-guidance techniques that dynamically adapt radiation beams to follow tumor motion in real-time will lead to more accurate cancer treatments and reduced collateral healthy tissue damage. The gold-standard for reconstruction of undersampled MR data is compressed sensing (CS) which is computationally slow and limits the rate that images can be available for real-time adaptation. Here, we demonstrate the use of automated transform by manifold approximation (AUTOMAP), a generalized framework that maps raw MR signal to the target image domain, to rapidly reconstruct images from undersampled radial k-space data. The AUTOMAP neural network was trained to reconstruct images from a golden-angle radial acquisition, a benchmark for motion-sensitive imaging, on lung cancer patient data and generic images from ImageNet. Model training was subsequently augmented with motion-encoded k-space data derived from videos in the YouTube-8M dataset to encourage motion robust reconstruction. We find that AUTOMAP-reconstructed radial k-space has equivalent accuracy to CS but with much shorter processing times after initial fine-tuning on retrospectively acquired lung cancer patient data. Validation of motion-trained models with a virtual dynamic lung tumor phantom showed that the generalized motion properties learned from YouTube lead to improved target tracking accuracy. Our work shows that AUTOMAP can achieve real-time, accurate reconstruction of radial data. These findings imply that neural-network-based reconstruction is potentially superior to existing approaches for real-time image guidance applications.

研究の動機と目的

• 圧縮センシングの計算制限を克服するリアルタイム画像再構成手法の開発を目的とする。
• ゴールデンアングルトレジェクトリを用いて取得されたアンダーサンプリング径線k-spaceデータの正確で高速な再構成を実現することを目的とする。
• YouTube動画から得られる一般化されたモーショングラフパターンを用いたニューラルネットワークのトレーニングにより、画像再構成におけるモーショングラフ耐性を向上させることを目的とする。
• インシリコ動的肺がん腫瘍アトラスおよび後向きに取得した患者データを用いて、提案手法の性能を検証することを目的とする。
• データ駆動型ディープラーニングを用いたリアルタイム画像ガイダンスが、MRI-Linacシステムにおいて実現可能であることを示すこと。

提案手法

• 生k-space信号から画像空間へのマッピングを学習する一般化されたニューラルネットワークであるAUTOMAPフレームワークを採用した。
• 肺がん患者から後向きに取得した径線k-spaceデータおよびImageNet画像を用いて、AUTOMAPモデルをトレーニングした。
• モーショングラフ耐性の向上を目的として、YouTube-8Mデータセットに含まれる動画から合成されたモーショングラフk-spaceデータをトレーニングに追加した。
• ゴールデンアングル径線サンプリングを用いて、高い時間分解能とモーショングラフに依存しない再構成を実現した。
• 圧縮センシングで用いられる反復最適化を回避するため、単一の前向きパス推論を適用してリアルタイム再構成を実現した。
• 再構成誤差の評価に、正規化平均二乗誤差（NRMSE）および動的アトラスにおける腫瘍追跡正確性を用いた。

実験結果

リサーチクエスチョン

• RQ1 AUTOMAPのようなディープラーニングベースの再構成フレームワークは、MRIガイドド放射線治療におけるリアルタイム画像再構成を達成できるか？
• RQ2 AUTOMAPの性能は、アンダーサンプリング径線データにおいて、圧縮センシングと比較して再構成速度と正確性の面で優れているか？
• RQ3 YouTube動画から得られる一般化されたモーショングラフパターンは、動的画像におけるニューラルネットワーク再構成のモーショングラフ耐性を向上させることができるか？
• RQ4 モーショングラフを含むトレーニングは、仮想の動的肺がん腫瘍アトラスにおける腫瘍追跡正確性を向上させるか？
• RQ5 AUTOMAPは、高い画像品質と低レイテンシを維持したまま、実際の患者データに一般化可能か？

主な発見

• AUTOMAPは、後向きに取得した肺がんデータにおいて、圧縮センシングをはるかに上回る高速再構成を実現しながら、同等の画像品質を維持した。
• 患者データのみでトレーニングしたモデルは、圧縮センシングと同等のNRMSEを達成し、高い再構成正確性を示した。
• モーショングラフを含むトレーニングを施したAUTOMAPモデルは、非モーショングラフトレーニングモデルと比較して、仮想の動的肺がん腫瘍アトラスにおいてより低いNRMSEと高い腫瘍追跡正確性を示した。
• YouTubeから得たモーショングラフデータの統合により、ネットワークが一般化されたモーショングラフ特性を学習し、非剛体モーショングラフに対する耐性が向上した。
• AUTOMAPは白色ノイズに対しても耐性を示し、MRIに内在する熱雑音制限を効果的に処理できる能力を示した。
• 結果から、AUTOMAPによるデータ駆動型再構成は、MRI-Linacシステムにおけるリアルタイム画像ガイダンスの分野で、圧縮センシングに比べ優れた代替手段であると示唆された。