[論文レビュー] PILOT: Physics-Informed Learned Optimized Trajectories for Accelerated MRI

Tomer Weiss, Ortal Senouf+4 more|arXiv (Cornell University)|Sep 12, 2019

Advanced MRI Techniques and Applications被引用数 13

ひとこと要約

PILOTは、k-spaceサンプリング軌道と深層学習ベースのMRI再構成を同時に最適化するエンドツーエンド微分可能フレームワークを提案する。物理的ハードウェア制約（例：勾配スルーレート）を強制的に満たす。固定または手作業で設計された軌道よりも優れた画像品質と加速性能を達成し、ノイズや変動する加速係数に対して頑健な、再構成およびセグメンテーションタスクにおける最先端の性能を実現する。

ABSTRACT

Magnetic Resonance Imaging (MRI) has long been considered to be among "the gold standards" of diagnostic medical imaging. The long acquisition times, however, render MRI prone to motion artifacts, let alone their adverse contribution to the relative high costs of MRI examination. Over the last few decades, multiple studies have focused on the development of both physical and post-processing methods for accelerated acquisition of MRI scans. These two approaches, however, have so far been addressed separately. On the other hand, recent works in optical computational imaging have demonstrated growing success of concurrent learning-based design of data acquisition and image reconstruction schemes. Such schemes have already demonstrated substantial effectiveness, leading to considerably shorter acquisition times and improved quality of image reconstruction. Inspired by this initial success, in this work, we propose a novel approach to the learning of optimal schemes for conjoint acquisition and reconstruction of MRI scans, with the optimization carried out simultaneously with respect to the time-efficiency of data acquisition and the quality of resulting reconstructions. To be of a practical value, the schemes are encoded in the form of general k-space trajectories, whose associated magnetic gradients are constrained to obey a set of predefined hardware requirements (as defined in terms of, e.g., peak currents and maximum slew rates of magnetic gradients). With this proviso in mind, we propose a novel algorithm for the end-to-end training of a combined acquisition-reconstruction pipeline using a deep neural network with differentiable forward- and back-propagation operators. We demonstrate its effectiveness on image reconstruction and image segmentation tasks, reporting substantial improvements in terms of acceleration factors as well as the quality of these tasks.

研究の動機と目的

• 加速MRI撮影と画像再構成の間のギャップを埋めるために、両プロセスを統合的に最適化すること。
• 実際のMRIハードウェア制約（例：ピーク電流、スルーレート）の下で実行可能なk-space軌道を生成する、微分可能で物理的インフォームドなフレームワークを開発すること。
• 軌道生成ネットワークと再構成ネットワークのエンドツーエンド訓練を通じて、画像再構成品質とセグメンテーション性能を向上させること。
• 変動する加速係数およびノイズ条件の下で、リトロスペクティブデータを用いて手法を検証すること。
• 局所最小値を回避するためのマルチスケール最適化や軌道サンプリングパターン（TSP）の拡張を検討すること。

提案手法

• 深層ニューラルネットワーク内に微分可能フォワードおよびバックプロジェクション演算子を用いて、k-space軌道最適化を微分可能問題として定式化する。
• 勾配波形（例：最大スルーレート、ピーク振幅）に物理的制約を微分可能勾配モデルを介して適用し、MRIスキャナに適合する軌道を保証する。
• 損失関数を画像品質およびセグメンテーションなどの下流タスクに合わせて調整し、エンドツーエンドバックプロパゲーションを用いて軌道生成器と再構成ネットワーク（例：U-Net）を同時に学習する。
• 局所最小値を回避するための多様な軌道パターンを探索する軌道サンプリングポリシーを導入し、PILOT-TSPというバリエーションを提案する。
• 事前に定義された密度に依存せず、サンプリング密度と軌道形状の両方を統合的に最適化することで、最適なサンプリングパターンを暗黙的に学習する。
• ノイズ耐性を検証するため、トレーニングおよび推論中にSNRのエミュレーションを実施したリトロスペクティブデータを用いて手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 k-space軌道と画像再構成のエンドツーエンド微分可能最適化は、固定または手作業で設計された軌道を上回るMRI加速性能と画像品質を実現できるか？
• RQ2 撮影と再構成の統合的最適化は、画像セグメンテーションなどの下流タスクの性能にどのように影響するか？
• RQ3 劣化した信号対雑音比（SNR）下でも、学習された軌道はどの程度の性能を維持できるか？
• RQ4 勾配波形に物理的インフォームドな制約を課すことで、最適化された軌道の実現可能性と性能はどのように変化するか？
• RQ5 微分可能な物理モデルによる軌道最適化は、非微分可能またはヒューリスティックな軌道設計手法を上回ることができるか？

主な発見

• PILOTは、特に高い減数率での撮影において、固定軌道（例：ラジアルまたはカーテシアンサンプリング）よりも顕著な画像再構成品質の向上と加速性能を達成する。
• 事前に定義されたサンプリング密度にフィットするのではなく、軌道と再構成の両方をデータ駆動でエンドツーエンド最適化する点で、先行する最先端手法SPARKLINGを上回る。
• PILOT-TSPは、局所最小値の問題を軽減し、初期化に依存しない一貫性があり、高品質な再構成を実現する。
• フレームワークはノイズに頑健であることが示された：低SNRでトレーニングされたモデルはより優れた一般化性能を示し、低SNR下ではノイズを平均化するためにk-spaceにサンプリング点を集中させるように軌道が適応する。
• 学習された軌道はSNRに応じて明確な空間的パターンを示す—高SNRでは広がり、低SNRでは密でクラスタ化されたパターンを示す—これにより、適応的サンプリング行動が確認された。
• この手法はセグメンテーションタスクへも一般化可能であり、PILOT最適化軌道でトレーニングされた場合、下流のセグメンテーションネットワークの性能が向上する。