[論文レビュー] Optimization methods for MR image reconstruction

Jeffrey A. Fessler|arXiv (Cornell University)|Mar 8, 2019

Advanced MRI Techniques and Applications参考文献 97被引用数 9

ひとこと要約

この論文は、MRIの膨大なデータ量と臨床上の時間制約という特徴を踏まえた、MR画像再構成のための特殊化された最適化手法をレビューしている。圧縮センシング手法のFDA承認事例や、新たなデータに適応する正則化項の発展を強調しており、システムモデルと正則化項の問題固有の構造を活用することで、カスタムアルゴリズムが市販のソルバーを上回ることを示している。

ABSTRACT

The development of compressed sensing methods for MR image reconstruction led to an explosion of research on models and optimization algorithms for MRI. Roughly 10 years after such methods first appeared in the MRI literature, the US FDA approved the commercial use of certain compressed sensing methods, making compressed sensing a clinical success story for MRI. This review paper summarizes several key models and optimization algorithms for MR image reconstruction, including both the type of methods that have FDA approval for clinical use, as well as more recent methods being considered in the research community that use data-adaptive regularizers. One impetus for this paper is that off the shelf optimization methods have rarely been the best choice for solving optimization problems in MR image reconstruction, due to the large volume of MRI data collected by clinical systems and practical time constraints on processing time. Instead, special purpose algorithms have been devised that exploit the structure of the system model and regularizers used in MRI; this paper strives to collect such algorithms in a single survey. Many of the ideas used in optimization methods for MRI are also useful for solving other inverse problems.

研究の動機と目的

• 一般用途の最適化ソルバーと、MRI再構成の特異な要件（大容量データ、厳格な処理時間制限）との間のギャップを埋める。
• MRIに特化して設計された最適化アルゴリズムをサーベイし、システムモデルと正則化項の構造的性質を活用する。
• 臨床で承認された圧縮センシング手法と、データに適応する正則化項を用いた新規の研究用アプローチを強調する。
• MRI分野における効果的で問題特化型の最適化技術について、研究者および実務家が統合的かつ包括的に参照できる基盤を提供する。
• MRIに特化した最適化戦略が、画像処理分野におけるより広範な逆問題にどのように応用可能かを示す。

提案手法

• MRIシステムモデルの構造、例えばフーリエ符号化行列を活用した最適化アルゴリズムを用い、収束速度を向上させる。
• 全変動（total variation）やその他のスパarsity促進正則化項を、カスタム最適化フレームワークに統合し、画像品質と再構成速度を向上させる。
• MRI問題の線形性とスパarsity特性に適合した、分割ブリッジマン法や交替方向一般化乗数法（ADMM）などの反復的アルゴリズムを採用する。
• 学習データから最適なスパarsityパターンを自動的に学習するデータに適応する正則化項を導入し、固定正則化項に比べて再構成精度を向上させる。
• 臨床ワークフローの制約に適合した、計算効率と高品質な画像回復の両立を図るアルゴリズムを設計する。
• MRI最適化技術とより広範な逆問題の解決法との間の類似性を明らかにし、再利用可能なアルゴリズム的原則を強調する。

実験結果

リサーチクエスチョン

• RQ1 一般用途の最適化手法は一般性があるものの、なぜMR画像再構成では性能が劣るのか？
• RQ2 MRI再構成における問題固有のアルゴリズム的構造は、どのように活用することで速度と精度が向上するのか？
• RQ3 従来の固定正則化項と比較して、データに適応する正則化項は画像品質向上に果たす役割は何か？
• RQ4 どの最適化フレームワークがMRI臨床応用のためにFDA承認を取得しており、実世界への展開に適しているのか？
• RQ5 MRIに特化した最適化技術は、他の医用画像分野の逆問題へどの程度応用可能なのか？

主な発見

• 問題固有の構造を活用するカスタム設計の最適化アルゴリズムは、一般用途のソルバーに比べて、MR画像再構成において顕著に優れた性能を示す。
• MRIでFDA承認を受けた圧縮センシング手法は、速度、正確性、臨床適合性のバランスを取る専用の最適化フレームワークに裏打ちされている。
• データに適応する正則化項は、研究分野における有望な方向性となっており、データから最適なスパarsityパターンを学習することで、画像品質の向上が見込まれる。
• 分割ブリッジマン法やADMMなどの高度な最適化技術の統合により、大規模なMRI再構成問題の効率的かつスケーラブルな解決が可能になった。
• MRI分野で開発された多くの最適化戦略は、他の画像処理分野の逆問題へも応用可能であり、科学的影響を広く拡大している。