[論文レビュー] Retrospective Motion Correction of MR Images using Prior-Assisted Deep Learning

Soumick Chatterjee, Alessandro Sciarra+4 more|arXiv (Cornell University)|Nov 28, 2020

Advanced MRI Techniques and Applications参考文献 17被引用数 7

ひとこと要約

本稿では、非破損画像の事前知識（同一被椵の異なるMRIコントラスト、または異なる被検体からの類似スライス）を活用して、MRIにおける後向きモーショントラブル補正のための事前知識支援型ディープラーニングフレームワークを提案する。本手法は、UNet や ResNet アーキテクチャを多チャンネルまたはデュアルブランチネットワークを用いて拡張し、事前知識を統合することで、特にマルチコントラスト事前知識を用いた場合に、モーショーアーティファクトの低減が顕著に向上することを示している。ResNet では、両方の事前知識統合手法において一貫した性能向上が得られている。

ABSTRACT

In MRI, motion artefacts are among the most common types of artefacts. They can degrade images and render them unusable for accurate diagnosis. Traditional methods, such as prospective or retrospective motion correction, have been proposed to avoid or alleviate motion artefacts. Recently, several other methods based on deep learning approaches have been proposed to solve this problem. This work proposes to enhance the performance of existing deep learning models by the inclusion of additional information present as image priors. The proposed approach has shown promising results and will be further investigated for clinical validity.

研究の動機と目的

• MRIにおけるモーショーアーティファクトは、診断不能や再スキャンの主な原因であるため、これを是正すること。
• マルチコントラストや類似スライスデータなどの画像事前知識を統合することで、ディープラーニングベースの後向きモーショントラブル補正を改善すること。
• 標準的なディープラーニングベースラインを上回る性能向上が、事前知識の統合によって達成されるかどうかを評価すること。
• 多チャンネル入力とデュアルブランチネットワークの2つの異なる事前知識統合戦略が、補正精度に与える影響を調査すること。

提案手法

• IXIデータセットから得たT1、T2およびPD加重MRI画像を用い、修正版TorchIOのRandomMotion関数を用いてT2画像に模擬的なモーショーアーティファクトを付加した。
• 2種類の事前知識をテストした：(1) 異なる被検体からの同じコントラストの10枚の類似スライス、(2) 同一被検体の異なるコントラスト（T1、PD）から得たもので、T2画像にコアジグレーション済み。
• 2種類のネットワーク統合戦略を適用した：多チャンネル入力（腐敗画像と事前知識をチャネル次元に沿って連結）とデュアルブランチネットワーク（腐敗画像と事前知識のための別々のブランチを設け、加算または1x1畳み込みによる連結で特徴を統合）。
• 修正版のUNetおよびResNetアーキテクチャを用い、デュアルブランチUNetでは主ブランチからのみスキップ接続を保持したが、デュアルブランチResNetではダウンサンプリングブロックを共有したが、入力チャネル数が異なる。
• 両ブランチの最終的埋め込み表現をアップサンプリングまたは残差ブロックに渡す前に統合し、要素ごとの加算またはチャネルごとの連結に続いて1x1畳み込みを適用した。
• 性能評価にはSSIMを用い、ベースラインモデルと事前知識拡張バージョンとの間で視覚的および定量的比較を実施した。

実験結果

リサーチクエスチョン

• RQ1 画像事前知識の統合は、MRIにおけるディープラーニングベースの後向きモーショントラブル補正の性能向上に寄与するか？
• RQ2 同一被検体からのマルチコントラスト事前知識は、異なる被検体からの類似スライス事前知識よりも優れたモーショートラブル補正をもたらすか？
• RQ3 多チャンネル入力とデュアルブランチネットワークの2つの異なる事前知識統合戦略が、モーショートラブル補正性能に与える影響は何か？
• RQ4 なぜデュアルブランチUNetはベースラインを上回らなかったのに対し、デュアルブランチResNetは一貫した向上を示したのか？
• RQ5 事前知識統合は、モーショータイムにぼやけてしまう臨床的関連病変を保持しているか？

主な発見

• 同一被検体からの異なるコントラスト（T1、PD）を事前知識として用いることで、UNetおよびResNet両モデルにおいて、SSIMの観点から顕著なモーショートラブル補正性能の向上が得られた。
• デュアルブランチResNetアーキテクチャはベースラインを上回り、多チャンネルおよびデュアルブランチの両設定で改善が確認された。
• 多チャンネルUNetはベースラインを顕著に上回ったが、デュアルブランチUNetは改善が得られず、補助ブランチからのスキップ接続が欠落しているため、特徴統合に限界がある可能性を示唆した。
• 異なる被検体からの10枚の類似スライスを事前知識として供給しても、テストしたすべてのネットワークで性能向上が得られず、この文脈では被検体間類似性の有効性が限定的であることが示された。
• ResNetベースのデュアルブランチ手法が、全テスト設定の中で最高のSSIM値を達成し、深層アーキテクチャにおいて構造的な事前知識統合の有効性を示した。
• 本研究では、UNetベースの事前知識統合において、補助ブランチからのスキップ接続が重要である可能性を特定したが、性能差の解明にはさらなる調査が必要であると結論づけた。