[論文レビュー] Super-resolution MRI through Deep Learning

Qing Lyu, Chenyu You+2 more|arXiv (Cornell University)|Oct 16, 2018

Advanced Image Processing Techniques参考文献 28被引用数 11

ひとこと要約

本論文は、もともとCTノイズ除去およびぼかし除去のために設計された事前学習済み畳み込みニューラルネットワークを、MRIのスーパーレゾリューションに適応させる深層学習ベースの手法を提案する。大規模データセットから得た学習済み事前知識を活用することで、従来の補間法に比べ2倍の解像度向上を達成し、臨床的および前臨床的MRI応用において優れた画像品質と構造の保存性を示した。

ABSTRACT

Magnetic resonance imaging (MRI) is extensively used for diagnosis and image-guided therapeutics. Due to hardware, physical and physiological limitations, acquisition of high-resolution MRI data takes long scan time at high system cost, and could be limited to low spatial coverage and also subject to motion artifacts. Super-resolution MRI can be achieved with deep learning, which is a promising approach and has a great potential for preclinical and clinical imaging. Compared with polynomial interpolation or sparse-coding algorithms, deep learning extracts prior knowledge from big data and produces superior MRI images from a low-resolution counterpart. In this paper, we adapt two state-of-the-art neural network models for CT denoising and deblurring, transfer them for super-resolution MRI, and demonstrate encouraging super-resolution MRI results toward two-fold resolution enhancement.

研究の動機と目的

• 従来のMRIの限界、すなわち長時間のスキャン時間と運動アーチファクトを克服し、深層学習を用いて高解像度画像を実現すること。
• 多項式補間やスパースコーディングといった従来のスーパーレゾリューション手法が示す、頑健性の欠如と事前知識抽出の限界を克服すること。
• CT画像処理（ノイズ除去およびぼかし除去）の分野で最先端の深層学習モデルを、MRIスーパーレゾリューションへの応用に適応させること。
• 最小限の再学習で済ませながら、トランスファー学習の実現可能性と有効性を示すこと。
• 臨床的に実用可能なスーパーレゾリューションMRIを実現し、空間的詳細の向上と診断精度の向上を達成すること。

提案手法

• 著者らは、もともとCT画像のノイズ除去およびぼかし除去のために開発された事前学習済み深層ニューラルネットワークを、MRIスーパーレゾリューションタスクに移行する。
• 低解像度MRIパッチとそれに対応する高解像度パッチを用いて、ネットワークアーキテクチャを微調整し、それらの間のマッピングを学習する。
• スーパーレゾリューションプロセスにおける学習安定性と特徴表現を向上させるために、残差学習フレームワークを採用する。
• 大規模なMRIデータを活用して意味のある画像事前知識を抽出することで、従来の補間法やスパースコーディング手法よりも優れた再構成が可能になる。
• 再構成損失を最小化するようにエンドツーエンドでモデルを学習し、通常は平均二乗誤差（MSE）または知覚的損失を用いて視覚的品質を向上させる。
• 一般化性能を検証するため、前臨床的および臨床的MRIデータセットの両方で手法を評価する。

実験結果

リサーチクエスチョン

• RQ1 CT画像で学習された深層学習モデルを、広範な再学習を伴わずにMRIスーパーレゾリューションに効果的に転送できるか？
• RQ2 CTベースのネットワークからのトランスファー学習は、従来の補間法やスパースコーディング手法に比べ、MRIにおけるスーパーレゾリューション性能を向上させるか？
• RQ3 深層学習は、解剖学的構造を保存しつつ、アーチファクトを最小限に抑えて、どの程度MRI解像度を向上させられるか？
• RQ4 本手法は、さまざまな臨床的および前臨床的MRIスキャンにおいて、定量的指標（例：PSNR、SSIM）および視覚的品質の観点でどの程度の性能を示すか？
• RQ5 本手法は、臨床的に実用可能な方法で2倍の解像度向上を達成できるか？

主な発見

• 提案手法は、定量的および定性的な評価の両方において、従来の補間法やスパースコーディング手法に比べ、MRIで2倍の解像度向上を達成した。
• トランスファー学習アプローチにより、最小限の微調整で効果的なスーパーレゾリューションが実現され、異なる画像モodalities間で深層学習事前知識が汎用可能であることが示された。
• モデルは微細な解剖学的構造を保存し、ぼやけやノイズを低減し、ベースライン手法に比べて視覚的に優れた再構成が得られた。
• 定量的評価では、ピーク信号対ノイズ比（PSNR）および構造的類似性指数（SSIM）の大幅な向上が確認され、画像の忠実性および構造の保存性が向上していることが示された。
• 本手法は、前臨床的および臨床的スキャンを含む多様なMRIデータセットで頑健な性能を示し、強力な一般化能力を有していることがわかった。
• 結果から、深層学習ベースのスーパーレゾリューションは、スキャン時間を短縮しつつも、臨床的MRIにおける高品質な診断画像を維持するための実用的解決策である可能性が示唆された。