[論文レビュー] Real-Time Cardiac Cine MRI with Residual Convolutional Recurrent Neural Network

Eric Z. Chen, Xiao Chen+5 more|arXiv (Cornell University)|Aug 12, 2020

Advanced MRI Techniques and Applications参考文献 14被引用数 5

ひとこと要約

本稿では、心動脈MRIの高次サンプリングk-spaceデータからのリアルタイム再構成を目的として、残留結合を備えた双方向ConvRNNとデータ整合性層を統合した残差畳み込み再帰ニューラルネットワーク（Res-CRNN）を提案する。動的心筋運動をモデル化するため、時間的ダイナミクスを捉えるために3層の双方向ConvRNNを用い、画像品質（ノイズおよびアーチファクト低減）と再構成速度（10倍速い）の両面で圧倒的性能を発揮。臨床的12倍加速マルチコイルデータ上での評価では、放射線科医が優れた結果を評価したが、わずかにシャープネススコアが低かった。

ABSTRACT

Real-time cardiac cine MRI does not require ECG gating in the data acquisition and is more useful for patients who can not hold their breaths or have abnormal heart rhythms. However, to achieve fast image acquisition, real-time cine commonly acquires highly undersampled data, which imposes a significant challenge for MRI image reconstruction. We propose a residual convolutional RNN for real-time cardiac cine reconstruction. To the best of our knowledge, this is the first work applying deep learning approach to Cartesian real-time cardiac cine reconstruction. Based on the evaluation from radiologists, our deep learning model shows superior performance than compressed sensing.

研究の動機と目的

• 心電図同期や呼吸停止が不要な高速撮影を実現するため、高次サンプリングk-spaceデータからの高品質なリアルタイム心筋MRI再構成の課題に対処すること。
• 圧縮センシングの限界（再構成速度が遅く、ハイパラメータチューニングが複雑）を克服し、リアルタイム心筋MRI応用において実用的であることを目的とする。
• 模擬的または単一コイルデータではなく、実際のマルチコイルの不完全サンプリングRT-cineデータを用いた深層学習ベースの手法の開発と検証を行うこと。
• 再構成性能の定量的評価に加え、画像品質および診断的有用性の観点から放射線科医による臨床的評価も実施すること。

提案手法

• 心筋シーケンスの時間的ダイナミクスをモデル化するため、3層の双方向ConvRNNを備えた残差畳み込み再帰ニューラルネットワーク（Res-CRNN）を設計した。
• 高周波数の画像ディテールの学習を促進し、訓練の安定性を向上させるために、2段階の残留結合を組み込んだ。
• 各双方向ConvRNN内に2次元畳み込み層を追加し、特徴マップの次元を低減し、GPUメモリ使用量を削減した。
• k-space制約を強制することで再構成の忠実度を向上させるため、データ整合性層をネットワークに統合した。
• MSEとSSIMを損失関数として用い、逆行的サンプリングによるリトロシーケンスデータ（12倍加速）を用いてモデルを学習した。
• 再構成済みコイル画像はルート和二乗法（RSS）を用いて統合され、完全な真値が不要な状態で、実際のマルチコイルRT-cineデータに直接適用された。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、高次サンプリングマルチコイルデータからのリアルタイム心筋MRI再構成において、圧縮センシングを上回る優れた画像品質を達成できるか？
• RQ2 提案されたRes-CRNNモデルは、臨床的RT-cine MRIにおいて、圧縮センシングよりもアーチファクトとノイズをより効果的に低減できるか？
• RQ3 深層学習による再構成は、反復的圧縮センシングに比べて著しく高速であり、臨床的実用性を満たすか？
• RQ4 放射線科医は、画像品質および動きの再現性の観点から、Res-CRNN再構成を圧縮センシングと同等または上回るものと認識するか？
• RQ5 完全にサンプリングされた真値が不要な状態で、リトロシーケンスデータで学習したモデルが、完全なRT-cineデータに一般化して効果的に機能するか？

主な発見

• Res-CRNNは、圧縮センシングと比較してノイズとアーチファクト（p < 0.001）および動きの再現性において顕著に高い放射線科医スコアを達成した。
• シャープネススコアはCSより低かった（p < 0.001）が、診断的価値に顕著な差は認められず（p = 0.48）、両手法に差はなかった。
• Res-CRNNの平均再構成時間は25.7秒であり、圧縮センシング（318.3秒）の10倍以上速かった。
• 視覚的比較では、Res-CRNNが血流領域および背景領域におけるアーチファクト低減を、圧縮センシングよりも顕著に効果的に行った。
• 完全畳み込みアーキテクチャのおかげで、さまざまな心動脈フェーズおよび画像サイズにわたり、モデルの頑健性が確認された。
• 4名の放射線科医間での評価に顕著な差は認められず（p > 0.1）、一貫性のある評価結果が得られた。