[論文レビュー] Stochastic Optimization of 3D Non-Cartesian Sampling Trajectory (SNOPY)

Guanhua Wang, Jon‐Fredrik Nielsen+2 more|arXiv (Cornell University)|Sep 22, 2022

Advanced MRI Techniques and Applications被引用数 6

ひとこと要約

SNOPYは、勾配ベースの確率的最適化を用いて、微分可能でデータ駆動型のフレームワークを提供し、3次元非直交MRIサンプリング軌道の最適化を実現する。画像品質損失、ハードウェア制約、PNS効果、コントラストの目的を同時に最小化することで、シミュレーションでは再構成PSNRを最大4 dB向上させ、前向き的（prospective）なスキャンでは1.4 dB向上させ、実スキャンではPNSの深刻度を「強い」から「やや強い」に低減した。

ABSTRACT

Optimizing 3D k-space sampling trajectories for efficient MRI is important yet challenging. This work proposes a generalized framework for optimizing 3D non-Cartesian sampling patterns via data-driven optimization. We built a differentiable MRI system model to enable gradient-based methods for sampling trajectory optimization. By combining training losses, the algorithm can simultaneously optimize multiple properties of sampling patterns, including image quality, hardware constraints (maximum slew rate and gradient strength), reduced peripheral nerve stimulation (PNS), and parameter-weighted contrast. The proposed method can either optimize the gradient waveform (spline-based freeform optimization) or optimize properties of given sampling trajectories (such as the rotation angle of radial trajectories). Notably, the method optimizes sampling trajectories synergistically with either model-based or learning-based reconstruction methods. We proposed several strategies to alleviate the severe non-convexity and huge computation demand posed by the high-dimensional optimization. The corresponding code is organized as an open-source, easy-to-use toolbox. We applied the optimized trajectory to multiple applications including structural and functional imaging. In the simulation studies, the reconstruction PSNR of a 3D kooshball trajectory was increased by 4 dB with SNOPY optimization. In the prospective studies, by optimizing the rotation angles of a stack-of-stars (SOS) trajectory, SNOPY improved the PSNR by 1.4dB compared to the best empirical method. Optimizing the gradient waveform of a rotational EPI trajectory improved subjects' rating of the PNS effect from 'strong' to 'mild.' In short, SNOPY provides an efficient data-driven and optimization-based method to tailor non-Cartesian sampling trajectories.

研究の動機と目的

• MRIにおける3次元非直交k空間サンプリング軌道の最適化のための一般化され、微分可能なフレームワークの開発。
• 画像品質、ハードウェア制約（スルーレート、勾配強度）、PNS低減、コントラストの複数の最適化目的を同時に最適化すること。
• 自由形式の勾配波形と既存の軌道パラメータ（例：スタック・オブ・スターズの回転角）の両方を統合されたフレームワーク内で最適化可能にすること。
• モデルベースと学習ベースの再構成手法の両方と統合された軌道最適化を実現すること。
• 3次元軌道最適化の高次元的・非凸的性質に対処するための高度な数値戦略の導入。

提案手法

• 勾配ベースの最適化を可能にするために、微分可能なMRIシステムモデルを構築。
• 画像品質（PSNR）、PNS抑制、ハードウェア制限、コントラストの複数のトレーニング損失を統合した最適化目的関数に統合。
• 2つのモードをサポート：Bスプラインパラメータ化による勾配波形の自由形式最適化、または既存の軌道パラメータ（例：スタック・オブ・スターズの回転角）の最適化。
• 非凸性の緩和のため、効果的なヤコビアン近似、マルチレベル最適化、SGLD（確率的勾配ラングヴィン動力学）、粗いから細かいスケールへのリファインメントを採用。
• モデルベースおよび学習ベースの再構成と両立可能であり、前方モデルにシステムの非完璧性（例：エディー電流、B0不均一性）を組み込むことも可能。
• 再現性と既存ワークフローへの統合を可能にする、オープンソースでモジュラーなツールボックスを提供。

実験結果

リサーチクエスチョン

• RQ1 統合的で微分可能なフレームワークは、画像品質、ハードウェア制限、PNS効果のバランスをとった3次元非直交サンプリング軌道の最適化を可能にするか？
• RQ2 SNOPYは、シミュレーションおよび前向き的MRIスキャンにおいて、経験的または解析的な軌道設計と比較して、どのように画像品質を向上させるか？
• RQ3 SNOPYは、自由形式波形の最適化にとどまらず、既存の軌道パラメータ（例：回転角）の最適化も可能であり、実用的利便性をどのように向上させるか？
• RQ4 トレーニングと前向き的スキャンプロトコルの間で分布シフトが生じた場合、SNOPYの耐性はどの程度高いか？
• RQ5 SNOPYは、エディー電流や勾配非線形性などのシステム非完璧性を最適化プロセスに組み込むことで、より現実世界に適した耐性を向上させられるか？

主な発見

• シミュレーションでは、SNOPYが3次元コーシャーボール軌道のPSNRをベースラインと比較して4 dB向上させた。
• 前向き的3次元画像撮影において、SNOPYはスタック・オブ・スターズ軌道の回転角を最適化することで、最良の経験的手法と比較してPSNRを1.4 dB向上させた。
• 回転的EPIにおいて、SNOPYは勾配波形の最適化により被験者報告のPNS深刻度を「強い」から「やや強い」に低減した。
• 2次元実験では、異なる解剖学的領域、コントラスト、ベンダーにおいても、中程度の分布シフトに対して耐性を示し、画像品質が向上した。
• SNOPYの最適化は、エディー電流補正やB0インフォームド再構成などの既存の補正手法と併用可能である。
• SGLD、マルチレベル最適化、パラメータ化を用いた非凸性の効果的処理により、安定かつ改善された収束が達成された。