[論文レビュー] Reducing Uncertainty in Undersampled MRI Reconstruction with Active Acquisition

Zizhao Zhang, Adriana Romero+4 more|arXiv (Cornell University)|Feb 8, 2019

Medical Imaging Techniques and Applications参考文献 40被引用数 10

ひとこと要約

本稿では、再構成の不確実性を最小化するように動的にk空間測定を選択する、未十分にサンプリングされたMRI再構成のためのアクティブ取得フレームワークを提案する。再構成ネットワークと不確実性推定を統合し、学習可能な評価ネットワークを同時に訓練することで、膝MRIおよびImageNetデータセットにおいて、ヒューリスティックなベースラインを上回る性能を発揮し、誤差を低減し、画像品質を向上させる。

ABSTRACT

The goal of MRI reconstruction is to restore a high fidelity image from partially observed measurements. This partial view naturally induces reconstruction uncertainty that can only be reduced by acquiring additional measurements. In this paper, we present a novel method for MRI reconstruction that, at inference time, dynamically selects the measurements to take and iteratively refines the prediction in order to best reduce the reconstruction error and, thus, its uncertainty. We validate our method on a large scale knee MRI dataset, as well as on ImageNet. Results show that (1) our system successfully outperforms active acquisition baselines; (2) our uncertainty estimates correlate with error maps; and (3) our ResNet-based architecture surpasses standard pixel-to-pixel models in the task of MRI reconstruction. The proposed method not only shows high-quality reconstructions but also paves the road towards more applicable solutions for accelerating MRI.

研究の動機と目的

• 未十分にサンプリングされたMRIにおける高い再構成不確実性の課題に対処し、適応的でデータ駆動型の測定取得を可能にする。
• 反復的に情報量の多いk空間測定を選択することで、推論中に不確実性を低減する手法を開発する。
• 画像再構成と画素単位の不確実性推定を同時に最適化することで、MRI再構成の忠実度を向上させる。
• 不確実性を終了基準として用いることで、実用的でリアルタイムなMRIスキャン加速を実現する。

提案手法

• 高精度な画像と画素単位の不確実性マップを出力する再構成ネットワークを備えた二重ストリームネットワークアーキテクチャを導入する。
• 画素単位の再構成誤差と不確実性のキャリブレーションを組み合わせた損失関数を用いて、再構成ネットワークをエンドツーエンドで訓練する。
• 未取得のk空間測定の期待される誤差低減を予測するための学習可能な評価ネットワークを設計する。
• 評価ネットワークを用いて、次の再構成において不確実性を最も効果的に低減できる測定を選択することで、アクティブな取得を支援する。
• ゼロフィルド再構成を初期推定として用い、選択された測定を反復的に適用して予測を精緻化する。
• 生成された再構成の改善度に基づいてスコアを付与する、従来の敵対的または回帰のみの目的関数とは異なる、新しい戦略を用いて評価ネットワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 学習可能な評価ネットワークは、ヒューリスティックなk空間サンプリング戦略を上回り、MRI再構成の不確実性を低減できるか？
• RQ2 予測された不確実性マップは、未十分にサンプリングされたMRIにおける実際の再構成誤差とどの程度相関しているか？
• RQ3 不確実性推定を備えたリーマン型再構成ネットワークは、標準的な画素対画素予測モデルに比べ、MRI再構成品質で優れているか？
• RQ4 不確実性推定値は、高い画像忠実度を維持しつつ、測定を停止する信号として効果的に使用できるか？

主な発見

• 提案された評価ネットワークは、膝MRIおよびImageNetデータセットの両方で、標準的なアクティブ取得ヒューリスティクス（例：ランダム、周波数順序）を常に上回り、再構成誤差を低減する。
• モデルが生成する不確実性マップは、実際の再構成誤差と強く相関しており、測定終了のための信頼できる信号としての有効性が裏付けられた。
• ResNetベースの再構成アーキテクチャは、標準的な画素対画素モデルに比べて優れた性能を発揮し、特に微細なディテールの保持とアーチファクトの低減において顕著な改善を示した。
• ベースラインと比較して、より高い測定効率を達成しており、同じ再構成品質に到達するためのk空間サンプル数を削減できた。
• ImageNetでは、ランダム+C+Rを上回るか同等のトップ-k分類精度を達成し、意味的ディテールの効果的な回復を示した。
• アブレーションスタディにより、提案された評価ネットワークの訓練戦略が、測定数の増加に伴いスコアが上昇し、分散が低下するという点で、二値ラベルおよび回帰ベースの代替手法を凌駆することを確認した。