[論文レビュー] Retrospective Motion Correction in Gradient Echo MRI by Explicit Motion Estimation Using Deep CNNs

Mathias S. Feinler, Bernadette N. Hahn|arXiv (Cornell University)|Mar 30, 2023

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

本稿では、複数コイルのSENSE冗長性と2段階のネットワーク（推定と補正）を活用し、明示的な動き推定を用いた深層畳み込みニューラルネットワーク（Deep CNN）を用いた勾配エコーMRIのための深層学習ベースのレトロスペクティブ動き補正手法を提案する。GANや剛体モデルと比較して優れた画像品質を達成し、残留誤差とデータ整合性が低く抑えられ、最適化されたNUFFTを用いることで臨床的実用性のある20秒の再構成時間を実現する。

ABSTRACT

Magnetic Resonance Imaging allows high resolution data acquisition with the downside of motion sensitivity due to relatively long acquisition times. Even during the acquisition of a single 2D slice, motion can severely corrupt the image. Retrospective motion correction strategies do not interfere during acquisition time but operate on the motion affected data. Known methods suited to this scenario are compressed sensing (CS), generative adversarial networks (GANs), and motion estimation. In this paper we propose a strategy to correct for motion artifacts using Deep Convolutional Neuronal Networks (Deep CNNs) in a reliable and verifiable manner by explicit motion estimation. The sensitivity encoding (SENSE) redundancy that multiple receiver coils provide, has in the past been used for acceleration, noise reduction and rigid motion compensation. We show that using Deep CNNs the concepts of rigid motion compensation can be generalized to more complex motion fields. Using a simulated synthetic data set, our proposed supervised network is evaluated on motion corrupted MRIs of abdomen and head. We compare our results with rigid motion compensation and GANs.

研究の動機と目的

• 長時間のスキャン中に生じる生理的動きによる画像品質の低下を是正する。
• GANや暗黙的動きモデルに起因するデータ整合性の欠如やモード崩壊の問題を克服する。
• 深層畳み込みニューラルネットワーク（Deep CNN）を用いた明示的な変形場推定により、信頼性が高く検証可能な動き補正フレームワークを構築する。
• 教師あり学習による合成データ上での学習により、剛体補正を超えて非剛体的で複雑な動き場を一般化する。
• 明示的な変形場計算と反復的精錬を用いて、データ整合性と低再構成誤差を確保する。

提案手法

• 複数の受信コイルに由来するSENSE冗長性を活用し、動き歪みのあるk-spaceデータから変形場を予測する教師あり深層畳み込みニューラルネットワーク（推定ネットワーク）を用いる。
• 推定された変形場を用いて再構成を精錬する段階的な補正ネットワークを実装し、データ不整合性を最小化する。
• GPU上で効率的なk-spaceから画像空間への変換を実現するため、トラジェクトリ最適化非均一高速フーリエ変換（NUFFT）を適用する。
• 画像領域におけるデータ整合性問題を解消するために共役勾配（CG）反復法を用い、最終的な再構成が取得されたk-spaceデータと一致することを保証する。
• ノイズ抑制とエッジ保持の両立を図るため、補正ネットワークに全変動（TV）正則化を統合する。
• 脳および腹部の合成された動き歪みありMRデータを用いて、現実的な動きパターンとノイズレベルを再現した教師あり学習を実施する。

ground truth $s^{\mathrm{ref}}$

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワーク（Deep CNN）による明示的動き推定は、GANベースや剛体補正手法に比べ、画像品質とデータ整合性において優れているか？
• RQ2 教師ありCNNは、合成データから得た知識を、マルチショットGRE-MRIにおける実際の動きアーチファクトにどの程度一般化できるか？
• RQ3 明示的な変形場の導入は、暗黙的または敵対的アプローチと比較して再構成精度をどのように向上させるか？
• RQ4 再構成時間とハードウェア制約を考慮した場合、本手法は臨床現場での実用的実装が可能か？
• RQ5 腹部および脳画像における多様なノイズレベルや複雑な動きパターン下でも、本手法は頑健性を維持できるか？

主な発見

• 脳（Brain Yale）データセット（0%ノイズ）において、本手法はPSNR 41.18 dB、SSIM 0.9900を達成し、GAN（PSNR 29.37 dB）と剛体モデル（PSNR 38.69 dB）を顕著に上回った。
• 腹部データセット（0%ノイズ）において、本手法はPSNR 37.38 dB、SSIM 0.976を達成し、剛体補正（PSNR 30.74 dB）とGAN（PSNR 27.57 dB）を上回った。
• 5%ノイズ条件下でも、本手法は高い性能（腹部：PSNR 35.58 dB、脳：PSNR 41.39 dB）を維持し、測定ノイズに対して頑健であることを示した。
• 残留誤差は腹部（5%ノイズ）で2.687、脳（0%ノイズ）で1.911にまで低減され、強力なデータ整合性と低再構成誤差を示した。
• NUFFTを用いた総合的な計算時間はスキャンあたり約20秒であり、臨床的導入が現実的であることを示した。
• TV正則化の追加により、SSIMが向上し、MSEが低減した。正則化が画像品質向上に寄与することを確認した。

ground truth $U^{\mathrm{ref}}_{13}$