[論文レビュー] Robust partial Fourier reconstruction for diffusion-weighted imaging using a recurrent convolutional neural network

Fasil Gadjimuradov, Thomas Benkert+2 more|arXiv (Cornell University)|May 19, 2021

Advanced Neuroimaging Techniques and Applications参考文献 33被引用数 11

ひとこと要約

本論文は、拡散テンソル画像法（DWI）における部分的フーリエ（PF）再構成のための、再帰的畳み込みニューラルネットワーク（RCNN）に基づくアンロールドプロキシマルスプリッティング法を提案する。特に、腹部や高b値DWIで一般的に見られる滑らかでない位相変動に特化して、耐障害性を向上させる。同じスライスの複数回の繰り返しを置換同変性を持つRCNNを用いて同時に再構成することで、従来のPF手法に起因するアーチファクトを顕著に低減し、解剖学的構造や解像度の多様な条件下でも優れた画像品質と一般化性能を達成する。強力なPF要因（例：5/8）でも同様の効果を示す。

ABSTRACT

Purpose: To develop an algorithm for robust partial Fourier (PF) reconstruction applicable to diffusion-weighted (DW) images with non-smooth phase variations. Methods: Based on an unrolled proximal splitting algorithm, a neural network architecture is derived which alternates between data consistency operations and regularization implemented by recurrent convolutions. In order to exploit correlations, multiple repetitions of the same slice are jointly reconstructed under consideration of permutation-equivariance. The algorithm is trained on DW liver data of 60 volunteers and evaluated on retrospectively and prospectively sub-sampled data of different anatomies and resolutions. Results: The proposed method is able to significantly outperform conventional PF techniques on retrospectively sub-sampled data in terms of quantitative measures as well as perceptual image quality. In this context, joint reconstruction of repetitions as well as the particular type of recurrent network unrolling are found to be beneficial with respect to reconstruction quality. On prospectively PF-sampled data, the proposed method enables DW imaging with higher signal without sacrificing image resolution or introducing additional artifacts. Alternatively, it can be used to counter the TE increase in acquisitions with higher resolution. Further, generalizability can be shown to prospective brain data exhibiting anatomies and contrasts not present in the training set. Conclusion: This work demonstrates that robust PF reconstruction of DW data is feasible even at strong PF factors in anatomies prone to phase variations. Since the proposed method does not rely on smoothness priors of the phase but uses learned recurrent convolutions instead, artifacts of conventional PF methods can be avoided.

研究の動機と目的

• 運動に起因するアーチファクトが顕著な腹部領域など、非滑らかでない位相変動に起因する部分的フーリエ（PF）再構成におけるアーチファクトを是正すること。
• 位相の滑らかさを前提とする事前知識に依存しない深層学習ベースの再構成手法を開発し、特に高周波数位相領域で失敗する従来手法の限界を克服すること。
• 同じスライスの複数回の繰り返しを同時に再構成することで、置換同変性学習を活用し、再構成品質を向上させること。
• 臨床的DWIシーケンスにおいて、解像度を損なわず、アーチファクトを発生させることなく、強力なPF要因（例：5/8）でも耐障害性のある再構成を実現すること。
• トレーニングデータに存在しないコントラストを有する予測可能なデータ（例：脳DWI）への一般化を検証すること。

提案手法

• プロキシマルスプリッティングアルゴリズムをアンロールドし、データ適合ステップと再帰的畳み込み（ConvGRUs）による正則化ステップを交互に実行する。
• 従来の滑らかさの事前知識に代わる正則化項として、ConvGRUsを用いた再帰的畳み込みニューラルネットワーク（RCNN）を採用する。
• 同じスライスの複数回の繰り返しを、置換同変性を保証するDeep Setにインspiredしたアーキテクチャを用いて同時に再構成する。
• 60名の被験者から得られた後向きにアンダーサンプリングされたDWIデータを用い、教師あり学習でトレーニングを実施し、真値画像をターゲットとする。
• 取得されたk空間データへの忠実度を保証するデータ適合ステップをアーキテクチャに組み込み、物理的に妥当な再構成を実現する。
• アンロールドプロセスは、性能とパラメータ効率のバランスを最適化し、K倍のパラメータ数でカスケード型ネットワークと同等の性能を達成する。

実験結果

リサーチクエスチョン

• RQ1 滑らかでない位相変動が顕著なDWIにおいて、深層学習ベースのPF再構成手法が従来手法を上回る性能を示せるか？
• RQ2 同じスライスの複数回の繰り返しを同時に再構成することで、個別再構成に比べて再構成品質が向上するか？
• RQ3 アンロールドプロキシマルスプリッティングを用いた再帰的畳み込みネットワークアーキテクチャが、重み共有やカスケード型手法に比べ、画像品質とパラメータ効率の両面で優れているか？
• RQ4 提案手法が、トレーニングデータに存在しない解剖学的構造（例：脳）やコントラストを有する予測可能なデータに一般化できるか？
• RQ5 特に高b値条件下で大きな位相エラーが生じる場合のk空間中心シフトに対しても、本手法は耐障害性を示せるか？

主な発見

• 後向きにアンダーサンプリングされたデータにおいて、従来のPF手法（例：Homodyne, POCS）を著しく上回り、個別再構成（DRPFNone）と比較してPSNRが+0.56 dB、SSIMが+0.0129 向上した。
• 繰り返しの共同再構成により、クリーンデータのみの再構成と比較してPSNRが−0.53 dB、SSIMが−0.0066 低下したが、依然として個別再構成を上回る性能を示した。
• 再帰的アンロールド戦略により、カスケード型ネットワークと同等の性能をK倍の少ないパラメータ数で達成し、パラメータ効率の優位性を示した。
• 予測可能なアンダーサンプリングデータにおいて、解像度の損失やアーチファクトを伴わずSNRを向上させることができた。また、高解像度撮影ではTEを短縮可能であった。
• 脳DWIの予測可能なデータに対しても、トレーニングデータに存在しないコントラストや解剖学的構造に対しても、良好な一般化性能を示した（肝臓データを含む）。
• 高b値ケース（b = 800 s/mm²）のうち、わずか0.53%がk空間中心がサンプリング領域外にシフトしており、その場合の信号損失は繰り返し平均化の効果により、平均画像への影響が限定的であった。