[論文レビュー] Self-Supervised Deep Active Accelerated MRI

Kyong Hwan Jin, Michaël Unser+1 more|arXiv (Cornell University)|Jan 14, 2019

Medical Imaging Techniques and Applications参考文献 33被引用数 47

ひとこと要約

著者らは Monte Carlo tree search によって導かれた自己教師付きフレームワークを用いて、accelerated MRI のサンプリングと再構成を共同で学習し、ReconNet と SampleNet の2つのネットワークを訓練して、固定されたサンプリング予算の下で再構成品質を向上させる。

ABSTRACT

We propose to simultaneously learn to sample and reconstruct magnetic resonance images (MRI) to maximize the reconstruction quality given a limited sample budget, in a self-supervised setup. Unlike existing deep methods that focus only on reconstructing given data, thus being passive, we go beyond the current state of the art by considering both the data acquisition and the reconstruction process within a single deep-learning framework. As our network learns to acquire data, the network is active in nature. In order to do so, we simultaneously train two neural networks, one dedicated to reconstruction and the other to progressive sampling, each with an automatically generated supervision signal that links them together. The two supervision signals are created through Monte Carlo tree search (MCTS). MCTS returns a better sampling pattern than what the current sampling network can give and, thus, a better final reconstruction. The sampling network is trained to mimic the MCTS results using the previous sampling network, thus being enhanced. The reconstruction network is trained to give the highest reconstruction quality, given the MCTS sampling pattern. Through this framework, we are able to train the two networks without providing any direct supervision on sampling.

研究の動機と目的

• accelerated MRI を共同のサンプリングと再構成問題として位置づける。
• データ取得と画像再構成の両方を学習する自己教師付きフレームワークを開発する。
• 直接のサンプリング監視なしで、サンプリング戦略と画像品質を最適化するよう、相互に接続された2つのネットワーク（ReconNet と SampleNet）を訓練する。
• サンプリング設計と再構成を統合することで、固定パターン法より優れた結果が得られることを実証する。

提案手法

• 高品質な再構成のための ReconNet と、次のサンプリング位置を提案する SampleNet の2つのニューラルネットワークを提案する。
• 段階的に、1サンプルずつのサンプリングを用い、自己生成された監督信号によってネットワークを結びつける。
• 再構成を改善するサンプリングパターンを生成するために Monte Carlo tree search (MCTS) を用い、両方のネットワークを導く。
• MCTS でサンプリングされたデータを用いた PSNR ベースの監督で ReconNet を訓練し、SampleNet は MCTS の方針を模倣するようにクロスエントロピー損失を用いて訓練する。
• 経験再生を伴う自己教師付きラウンドを通じてネットワークを反復的に更新し、学習を安定化させる。

実験結果

リサーチクエスチョン

• RQ1 サンプリング予算の下で MRI 品質を最大化するために、サンプリングパターン設計を再構成と共同で学習できるか？
• RQ2 MCTS を介した自己監督が、サンプリングと再構成ネットワークを共同訓練するのに有効な指針を提供するか？
• RQ3 提案されたフレームワークは、accelerated MRIにおける固定パターンと再構成パイプラインとどのように比較されるか？
• RQ4 段階的サンプリングと MCTS 主導の監督が PSNR のような再構成指標に与える影響はどの程度か？

主な発見

• 本手法は、前方の手法より高い PSNR を達成する（33.52 dB 対 参考ベースラインの 27.73 dB）。
• ReconNet と SampleNet の2ネットワークを共同訓練することで、固定パターンのサンプリング方式を上回る。
• MCTS によって生成されたサンプリングパターンは、サンプリングネットワーク単独よりも良い再構成を生む。
• 訓練は直接的なサンプリングラベルを伴わない自己生成された監督信号に依存しており、取得と再構成のエンドツーエンド最適化を可能にする。
• 心臓および膝の MRI データセットで、VDS+TV や LCS+TV などのベースラインと比べて性能向上を示す。