[論文レビュー] One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction

Zi Wang, Xiaotong Yu+26 more|arXiv (Cornell University)|Jul 25, 2023

Nuclear Physics and Applications被引用数 6

ひとこと要約

本論文では、多様な迅速MRI再構成シナリオにわたる一般化を可能にする物理情報付きの合成データフレームワーク、PISFを提案する。2次元MRI再構成を学習可能な1次元問題に分解し、物理的制約を組み込んだ合成k-spaceデータを生成することで、PISFは実データで訓練されたモデルと同等の生体内再構成品質を達成するとともに、実データへの依存度を最大96%まで低減する。

ABSTRACT

Magnetic resonance imaging (MRI) is a widely used radiological modality renowned for its radiation-free, comprehensive insights into the human body, facilitating medical diagnoses. However, the drawback of prolonged scan times hinders its accessibility. The k-space undersampling offers a solution, yet the resultant artifacts necessitate meticulous removal during image reconstruction. Although Deep Learning (DL) has proven effective for fast MRI image reconstruction, its broader applicability across various imaging scenarios has been constrained. Challenges include the high cost and privacy restrictions associated with acquiring large-scale, diverse training data, coupled with the inherent difficulty of addressing mismatches between training and target data in existing DL methodologies. Here, we present a novel Physics-Informed Synthetic data learning framework for Fast MRI, called PISF. PISF marks a breakthrough by enabling generalized DL for multi-scenario MRI reconstruction through a single trained model. Our approach separates the reconstruction of a 2D image into many 1D basic problems, commencing with 1D data synthesis to facilitate generalization. We demonstrate that training DL models on synthetic data, coupled with enhanced learning techniques, yields in vivo MRI reconstructions comparable to or surpassing those of models trained on matched realistic datasets, reducing the reliance on real-world MRI data by up to 96%. Additionally, PISF exhibits remarkable generalizability across multiple vendors and imaging centers. Its adaptability to diverse patient populations has been validated through evaluations by ten experienced medical professionals. PISF presents a feasible and cost-effective way to significantly boost the widespread adoption of DL in various fast MRI applications.

研究の動機と目的

• トレーニングデータと実世界データの間のドメインシフトにより、ディープラーニングモデルの一般化能が制限される問題に対処すること。
• 複数のスキャナーや患者集団をカバーする大規模かつ多様な実MRIデータセットを収集する際の高いコストとプライバシー上の障壁を克服すること。
• 複数のベンダー、画像診断施設、患者のデモグラフィック要因にわたる一般化が可能な、1つの統合型ディープラーニングモデルの開発。
• 合成データ拡張を用いて、再構成品質を維持または向上させながら、実MRIデータへの依存度を最小限に抑えること。
• データ収集のボトル neck を軽減し、モデルのロバスト性を高めることで、迅速MRIにおけるディープラーニングの実用的導入を可能にすること。

提案手法

• 2次元MRI再構成を学習可能な1次元再構成問題に分解することで、学習を簡素化し、一般化性能を向上させる。
• 物理ベースのシミュレーションを用いて、マッピングの背後にあるMR取得モデル（例：フーリエ符号化、アンダーサンプリングパターン）を保持する合成k-spaceデータを生成する。
• 物理的制約をデータ生成プロセスに組み込むことで、合成データが現実的なMR信号挙動とk-space特性を反映することを保証する。
• 自己教師学習や adversarial training などの強化された学習技術を用いて、合成1次元データ上でディープラーニングモデルを訓練する。
• ドメイン適応とデータ拡張戦略を適用し、合成データの分布を実世界データの分布とさらに一致させる。
• 生体内ヒトスキャンを用いて、複数のMRIベンダーおよび画像診断施設におけるモデルの一般化を検証する。

実験結果

リサーチクエスチョン

• RQ1 物理情報付きの合成データにのみトレーニングされた1つのディープラーニングモデルが、一致する実MRIデータでトレーニングされたモデルと同等の再構成性能を達成できるか？
• RQ2 合成データ生成が、迅速MRI再構成における実データ・ラベル付きMRIデータセットへの依存度をどの程度低減できるか？
• RQ3 合成データでトレーニングされたモデルが、異なるMRIスキャナ、プロトコル、および患者集団にわたってどの程度一般化できるか？
• RQ4 物理情報付きの制約が、合成MRIデータの忠実性および一般化性能を向上させる役割を果たすか？
• RQ5 提案されたフレームワークは、データ収集コストとプライバシーリスクを顕著に低減しつつ、高い再構成精度を維持できるか？

主な発見

• PISFフレームワークは、実データの4%しか使用しない状況でも、一致する実データでトレーニングされたモデルと同等またはそれ以上の生体内MRI再構成品質を達成する。
• 本手法により、実MRIデータへの依存度が最大96%まで低減され、データ収集コストとプライバシーリスクが顕著に低下する。
• モデルは複数のMRIベンダーおよび画像診断施設にわたって効果的に一般化され、ドメインシフトに対して高いロバスト性を示す。
• 10名の経験豊富な放射線科医による評価で、PISFによる再構成画像の臨床的妥当性と診断品質が確認された。
• 1次元分解戦略により、複雑なk-spaceパターンの学習が簡素化され、モデルの一般化性能が向上した。
• 物理情報付きの合成データ生成により、より現実的で分布的に整合性のあるトレーニングデータが得られ、実データを一切使用せずにモデルの一般化性能が向上した。