[論文レビュー] Review: Noise and artifact reduction for MRI using deep learning

Daiki Tamada|arXiv (Cornell University)|Feb 28, 2020

Medical Imaging Techniques and Applications参考文献 40被引用数 11

ひとこと要約

この論文は、磁気共鳴画像法（MRI）におけるノイズおよびアーティファクト低減のための深層学習（DL）手法をレビューし、畳み込みニューラルネットワーク（CNN）、オートエンコーダ、生成対抗ネットワーク（GAN）、U-Netアーキテクチャに焦点を当てる。DL手法は、従来の手法と比較して画像品質が向上し、計算時間も短縮される中で、アーリアスイング、ストリークイング、ギブス、金属、バンディングアーティファクトを効果的に抑制することが示された。

ABSTRACT

For several years, numerous attempts have been made to reduce noise and artifacts in MRI. Although there have been many successful methods to address these problems, practical implementation for clinical images is still challenging because of its complicated mechanism. Recently, deep learning received considerable attention, emerging as a machine learning approach in delivering robust MR image processing. The purpose here is therefore to explore further and review noise and artifact reduction using deep learning for MRI.

研究の動機と目的

• MRIスキャンにおけるノイズおよびアーティファクト低減のための最近の深層学習技術をレビューすること。
• CNN、U-Net、オートエンコーダ、GANなどのさまざまな深層学習アーキテクチャの性能を分析し、画像品質の向上を評価すること。
• 特に、アーティファクト低減において真値がしばしば入手不可能であるため、トレーニングデータの収集における課題を評価すること。
• 従来の画像品質指標の限界を評価し、NIQE や BRISQUE といった参照なし代替指標の探求を行うこと。
• DLベースのMRI再構成手法の臨床的実現可能性および今後の展望を議論すること。

提案手法

• ノイズとクリアな画像の間の残差を学習することで、ノイズをモデル化・除去するための単一スケールCNN（SCNN）とリーマン学習を用いる。
• スキップ接続を備えたU-Netアーキテクチャを用い、空間的詳細を保持するとともに、アーリアスイングやストリークイングといったグローバルアーティファクトに対処する。
• オートエンコーダを用いて画像特徴を圧縮・再構成し、ノイズがかかる入力から潜在多様体を学習する。
• 敵対的訓練中に本物の出力と生成された出力を区別することで、現実的で高精度の画像を生成するため、GANを活用する。
• アンロールド最適化を用いたモデルベースの深層学習を統合し、不十分にサンプリングされたk空間データに対して、トレーニング可能なパラメータ数と計算時間を削減する。
• 本物の画像が入手できない状況、特にアーティファクト低減においては、NIQE や BRISQUE といった参照なしの画像品質指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 さまざまな深層学習アーキテクチャは、MRIにおけるノイズおよびアーティファクト低減において、どのように性能を発揮するか？
• RQ2 真値が入手不可能な状況において、アーティファクト低減のためのリアルなトレーニングデータを生成する際の主な課題は何か？
• RQ3 深層学習手法は、圧縮センシングやk空間フィルタリングといった従来手法よりも、アーティファクト抑制において優れていると評価できるか？
• RQ4 参照なしの画像品質指標は、真値が存在しない状況で、DLベースのMRI再構成の評価にどの程度有効か？
• RQ5 DLベースの手法は、フィルタリング後も解剖学的テクスチャおよび微細構造をどの程度保持しているか？

主な発見

• 特にU-NetおよびDnCNNを用いたDLベースの手法は、不十分にサンプリングされたMRIデータにおいて、アーリアスイングおよびストリークイングアーティファクトを顕著に低減し、従来のCS再構成を上回る性能を示した。
• DnCNNのようなネットワークにおけるリーマン学習の使用により、収束が速くなり、特にノイズ低減において一般化性能が向上した。
• CNNベースのギブスアーティファクト低減は、従来のk空間フィルタリングでよく見られるぼやけを引き起こさずに、リリングアーティファクトを効果的に除去できた。
• バイポーラリードアウトと金属アーティファクト補正技術を組み合わせたU-Netは、金属インプラントによって引き起こされる歪みおよびぼやけを効果的に低減した。
• NIQE や BRISQUE といった参照なし指標は、真値が入手できない状況でも信頼性の高い画像品質評価を可能にし、臨床的評価を支援した。
• 強力な性能を発揮する一方で、不適切なトレーニングやノイズ／アーティファクトの誤ったモデル化は、画像のテクスチャおよび微細構造を変化させる可能性があるため、ネットワーク設計に注意を払う必要がある。