[論文レビュー] Optimization methods for MR image reconstruction (long version)

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

Advanced MRI Techniques and Applications参考文献 129被引用数 14

ひとこと要約

本論文は、スパarsityと並列イメージングを活用するモデルおよびアルゴリズムに焦点を当て、加速MRI再構成の最適化手法について包括的なサーベイを提供している。SENSE、GRAPPA、ESPIRiTといった主要なアプローチをレビューし、正則化逆問題を解くためにADMM、プリコンディショニング付き共役勾配、およびプロキシマルスプリッティングといった最適化技術の重要性を強調している。臨床的応用性とFDA承認済みの手法を併記している。

ABSTRACT

The development of compressed sensing methods for magnetic resonance (MR) image reconstruction led to an explosion of research on models and optimization algorithms for MR imaging (MRI). Roughly 10 years after such methods first appeared in the MRI literature, the U.S. Food and Drug Administration (FDA) approved certain compressed sensing methods for commercial use, 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. Many 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

• アンダーサンプリングされた並列イメージングデータを対象とした、加速MRI再構成の最適化手法を統合的に概説すること。
• スパarsityやコイル間の共同構造といった事前知識を組み込む主要なモデルおよびコスト関数を特定・分析すること。
• ADMM、CG、プロキシマル法といった問題構造を活用する最適化アルゴリズムが、大規模なMRI逆問題を効率的に解くために果たす役割を強調すること。
• アンロールドネットワークが反復的ソルバーとどのように関連するかを示し、古典的最適化手法と新興のディープラーニングアプローチを橋渡しすること。
• 臨床応用を支援するため、FDA承認済みの手法と実装上の実用的配慮を強調すること。

提案手法

• 多コイルMRIのためのフーリエ変換とコイル感度行列を組み合わせた線形システム y = A x + ε に基づくフォワードモデルを用いる。
• 不確実な再構成問題を安定化させるために、1-ノルムのスパarsity促進項（例：全変動またはウェーブレットベース）を正則化に適用する。
• 複雑な最適化問題をより危単な部分問題に分解するため、交替方向乗数法（ADMM）を用い、閉形式での更新を可能にする。
• 2次的データ適合項に起因する大規模線形系を解くために、プリコンディショニング付き共役勾配（PCG）を用いる。
• データに適応する正則化子と共同スパarsityモデルを導入し、複数のコイルおよび画像コントラスト間の冗長性を活用する。
• 感度マップを明示的に必要としないキャリブレーションレス手法（例：GRAPPA、ESPIRiT）をカバーし、k-spaceデータから一貫性制約を推定する。

実験結果

リサーチクエスチョン

• RQ1 非滑らか正則化子を伴う大規模でアンダーサンプリングされたMRI再構成問題を解く際、どの最適化アルゴリズムが最も効果的か？
• RQ2 SENSE、GRAPPA、ESPIRiTといった異なるモデルは、再構成精度と計算効率の観点でどのように比較できるか？
• RQ3 プロキシマル作用素およびADMMのような分割法が、スケーラブルで安定したMRI再構成を可能にする役割は何か？
• RQ4 複数のコイルやコントラストにおける共同スパarsityおよび低ランク構造を活用することで、加速MRIにおける画像品質をどのように向上できるか？
• RQ5 特にアンロールドネットワークを含め、古典的最適化手法と現代のディープラーニングアーキテクチャとの関係は何か？

主な発見

• 本論文は、非滑らか正則化子および大規模システムを伴うMRI再構成問題に対して、ADMMおよびプリコンディショニング付きCGが極めて有効であると特定している。
• MRIにおけるFDA承認済みの圧縮センシング手法は、構造的アンダーサンプリングとスパarsity促進正則化に基づいており、実世界での実装を通じた臨床的妥当性が裏付けられている。
• GRAPPAおよびESPIRiT手法は、k-spaceの冗長性と部分空間構造を活用することで、明示的なコイル感度マップがなくても高品質な再構成を達成する。
• 1-ノルム正則化はスパース画像のロバストな再構成をもたらすが、0 ≤ p < 1 の非凸p-ノルムは極端なアンダーサンプリング下でも性能が向上する。
• 複数のコイルやコントラストにおける共同スパarsityおよび低ランクモデルは、共有される構造的情報を活用することで再構成品質を顕著に向上させる。
• アンロールドディープラーニングアーキテクチャが、プライマル・デュアル法やPGMといった古典的最適化スキームと密接に関連していることが示され、古典的最適化が現代のMRI再構成においても基盤的役割を果たし続けていることが示唆されている。