[論文レビュー] Over-and-Under Complete Convolutional RNN for MRI Reconstruction

Pengfei Guo, Jeya Maria Jose Valanarasu+4 more|arXiv (Cornell University)|Jun 16, 2021

Advanced MRI Techniques and Applications参考文献 30被引用数 4

ひとこと要約

本稿では、局所的特徴学習とグローバル構造の保存を向上させるために、過剰なと不足な畳み込み再帰ニューラルネットワーク（CRNN）を組み合わせた、加速MRI再構成を目的とした新規ディーブラーニングアーキテクチャ、Over-and-Under Complete Convolutional RNN（OUCR）を提案する。本手法は、従来のディーブラーニングおよび圧縮センシング手法と比較して、より少ないパラメータで最先端の画像品質を達成する。

ABSTRACT

Reconstructing magnetic resonance (MR) images from undersampled data is a challenging problem due to various artifacts introduced by the under-sampling operation. Recent deep learning-based methods for MR image reconstruction usually leverage a generic auto-encoder architecture which captures low-level features at the initial layers and high-level features at the deeper layers. Such networks focus much on global features which may not be optimal to reconstruct the fully-sampled image. In this paper, we propose an Over-and-Under Complete Convolutional Recurrent Neural Network (OUCR), which consists of an overcomplete and an undercomplete Convolutional Recurrent Neural Network(CRNN). The overcomplete branch gives special attention in learning local structures by restraining the receptive field of the network. Combining it with the undercomplete branch leads to a network which focuses more on low-level features without losing out on the global structures. Extensive experiments on two datasets demonstrate that the proposed method achieves significant improvements over the compressed sensing and popular deep learning-based methods with less number of trainable parameters.

研究の動機と目的

• 高度にアンダーサンプルされたk-spaceデータから高品質なMR画像を再構成する課題に対処すること。これは、アリゼーションアーティファクトや細部の喪失を引き起こすことがある。
• グローバル特徴を重視するが、局所的・低レベルの構造を損なう傾向がある、既存のディーブラーニングベースのMRI再構成手法の改善に寄与すること。
• 過剰表現を活用して局所的特徴抽出を強化すると同時に、不足なブランチによってグローバルなコンテキストを保持すること。
• パラメータ効率の良いアーキテクチャを構築し、再構成品質において、圧縮センシングおよび最先端のディーブラーニング手法を凌駕すること。

提案手法

• OUCRフレームワークは、2つの並列ブランチから構成される：局所的特徴を強調するために受容 field を制限する過剰なCRNN（OC-CRNN）、グローバル構造を捉えるための不足なCRNN（UC-CRNN）。
• 過剰ブランチでは、最大プーリングの代わりにアップサンプリング層を用いて、細粒度の空間情報を維持し、局所的特徴学習を強化する。
• 不足ブランチでは、ダウンサンプリングを用いて受容 field を段階的に拡大し、高レベルの表現を学習する。
• 両ブランチに残差モジュール（RM）を適用することで、勾配の流れを改善し、特徴の精練を促進する。
• 2つのブランチの出力を統合し、エンド・トゥ・エンドの訓練を通じて共同最適化することで、アンダーサンプルされたk-spaceデータから完全にサンプリングされたMR画像を再構成する。
• 画像の詳細と構造的忠実性を保つために、L2損失と知覚的損失の組み合わせを用いてモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 標準的なオートエンコーダー形式のネットワークと比較して、過剰なCRNNアーキテクチャは、アンダーサンプルMRI再構成における細部の回復を改善できるか？
• RQ2 過剰と不足なCRNNブランチを組み合わせることで、単独で使用する場合と比較して、より優れた再構成性能が得られるか？
• RQ3 提案されたOUCRアーキテクチャは、最先端のディーブラーニングおよび圧縮センシング手法と比較して、より少ないトレーニング可能なパラメータで優れた画像品質を達成できるか？
• RQ4 残差モジュールの導入が、OUCRフレームワークの性能および収束性に与える影響は何か？

主な発見

• 加速因子8のHPKSデータセットにおいて、OUCRはPSNR 32.14 dB、SSIM 0.9044を達成し、CS（24.96 dB、0.7125）およびUNet（29.47 dB、0.8249）を顕著に上回った。
• 加速因子8のfastMRIデータセットにおいて、OUCRはPSNR 30.59 dB、SSIM 0.6634を達成し、KIKI-Net（29.27 dB、0.6355）およびD5C5（29.65 dB、0.6457）を上回った。
• アブレーションスタディの結果、残差モジュールを含むUC-CRNNとOC-CRNNの組み合わせが、加速因子4のHPKSデータセットで最高のPSNR（39.33 dB）およびSSIM（0.9747）を達成した。
• OUCRモデルは、わずか119万2000パラメータで最先端の性能を達成し、UNet（863万4000）、Kiu-net（795万1000）、D5C5（223万7000）と比較して、よりパラメータ効率に優れた。
• k-space解析の結果、OUCRは、低周波数および高周波数成分の両方において、すべてのベースラインを上回り、画像コントラストおよび細部の保存性が向上していることが示された。
• 統計的有意性検定の結果、他の手法と比較してOUCRの改善は極めて有意であった（p < 10^-5）。