[論文レビュー] Scan-specific Self-supervised Bayesian Deep Non-linear Inversion for Undersampled MRI Reconstruction

Andrew P. Leynes, Nikhil Deveshwar+2 more|arXiv (Cornell University)|Mar 1, 2022

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

この論文では、完全にスキャンされたデータや自己キャリブレーション信号（ACS）を必要としない、スキャン固有の自己教師ありベイジアン深層非線形逆問題（DNLINV）手法を提案する。深層画像プライアーや近似的なベイジアン推論を活用することで、外部データセットやキャリブレーションスキャンを必要とせず、多様な解剖学的構造、コントラスト、サンプリングパターンにおいて最先端の再構成品質を達成する。

ABSTRACT

Magnetic resonance imaging is subject to slow acquisition times due to the inherent limitations in data sampling. Recently, supervised deep learning has emerged as a promising technique for reconstructing sub-sampled MRI. However, supervised deep learning requires a large dataset of fully-sampled data. Although unsupervised or self-supervised deep learning methods have emerged to address the limitations of supervised deep learning approaches, they still require a database of images. In contrast, scan-specific deep learning methods learn and reconstruct using only the sub-sampled data from a single scan. Here, we introduce Scan-Specific Self-Supervised Bayesian Deep Non-Linear Inversion (DNLINV) that does not require an auto calibration scan region. DNLINV utilizes a deep image prior-type generative modeling approach and relies on approximate Bayesian inference to regularize the deep convolutional neural network. We demonstrate our approach on several anatomies, contrasts, and sampling patterns and show improved performance over existing approaches in scan-specific calibrationless parallel imaging and compressed sensing.

研究の動機と目的

• 教師あり深層学習が、完全にスキャンされたスキャンの大量データセットを必要とするという限界を是正すること。
• 並列画像法や圧縮センシング法に依存する自己キャリブレーション信号（ACS）の必要性を克服すること。
• 単一スキャンからの部分的スキャンデータのみを用いて、自己教師ありでスキャン固有の再構成手法を開発すること。
• 外部データを用いずに、多様な解剖学的構造、コントラスト、サンプリングパターンにおいて、画像品質と一般化性能を向上させること。
• 深層ニューラルネットワークにおける頑健な正則化を実現するため、深層画像プライアーや近的ベイジアン推論を統合すること。

提案手法

• 本手法は、事前学習を行わず、深層画像プライアーよりも画像構造を符号化するための初期化を施した深層畳み込みニューラルネットワーク（CNN）を生成モデルとして採用する。
• MRI再構成問題をベイジアン推論タスクとして定式化し、近的ベイジアン推論を用いてネットワークを正則化し、部分的スキャンデータへの過剰適合を低減する。
• 自己教師ありであるため、外部の完全スキャンデータを必要とせず、単一スキャンからの部分的k-spaceデータのみで学習が可能である。
• 変分推論フレームワークを用いて、画像パラメータの事後分布を近似的に推定し、不確実性の定量化と一般化性能の向上を実現する。
• 本手法はスキャン固有であるため、事前に取得したスキャンデータベースを必要とせず、個々のMRI取得の固有の特徴に適応する。
• 並列画像法および圧縮センシングの両方のサンプリングパターンに適用可能であり、さまざまなk-space軌道においても柔軟性を示す。

実験結果

リサーチクエスチョン

• RQ1 自己教師ありの深層学習手法が、完全スキャンデータや自己キャリブレーション信号を必要とせずに、高品質なMRI再構成を達成できるか？
• RQ2 スキャン固有の深層画像プライアーやベイジアン正則化を組み合わせることで、部分的スキャンMRIにおける再構成忠実度はどのように向上するか？
• RQ3 部分的k-spaceデータのみで学習した手法が、異なる解剖学的構造、コントラスト、サンプリングパターンにどの程度一般化できるか？
• RQ4 近的ベイジアン推論の統合が、深層MRI再構成における頑健性と不確実性推定をどのように向上させるか？
• RQ5 提案されたDNLINV手法は、既存のスキャン固有および自己教師ありアプローチを上回る画像品質と再構成精度を達成するか？

主な発見

• 提案されたDNLINV手法は、複数の解剖的領域およびコントラストにおいて、既存のスキャン固有および自己教師あり手法を上回る優れた画像再構成品質を達成する。
• 完全スキャンデータやACS領域にアクセスできない状況下でも、並列画像法および圧縮センシングの両設定で一貫した性能向上を示す。
• 外部データセットやキャリブレーションスキャンを不要にするため、完全スキャンデータが入手困難な臨床現場への実用的導入を可能にする。
• 深層画像プライアーやベイジアン推論の統合により、特に低スキャンレート領域において一般化性能が向上し、過剰適合が低減される。
• 不確実性を伴う再構成が可能となり、出力画像の品質と信頼性に関する確率的推定が得られる。
• ベンチマークデータセットにおいてPSNRおよびSSIMの観点で最先端の性能を達成し、従来のスキャン固有アプローチに対して定量的な改善を示す。