[論文レビュー] Synergistic Reconstruction and Synthesis via Generative Adversarial Networks for Accelerated Multi-Contrast MRI

Salman Ul Hassan Dar, Mahmut Yurt+3 more|arXiv (Cornell University)|May 27, 2018

Advanced MRI Techniques and Applications参考文献 26被引用数 13

ひとこと要約

本稿では、加速マルチコントラストMRIにおける連携的再構成と合成のための条件付き生成対抗ネットワーク（cGAN）ベースの手法を提案する。この手法は、ソースコントラストとアンダーサンプリングされたターゲットコントラストデータから共通する高周波数の詳細を活用し、画像の忠実性を保持する。本手法は、アンダーサンプリングされたk空間の再構成と欠落コントラストの合成を同時に最適化することで、アーチファクトを最小限に抑えることにより、最先端の手法よりも優れた画像品質を達成し、特に高い加速係数下でも顕著である。

ABSTRACT

Multi-contrast MRI acquisitions of an anatomy enrich the magnitude of information available for diagnosis. Yet, excessive scan times associated with additional contrasts may be a limiting factor. Two mainstream approaches for enhanced scan efficiency are reconstruction of undersampled acquisitions and synthesis of missing acquisitions. In reconstruction, performance decreases towards higher acceleration factors with diminished sampling density particularly at high-spatial-frequencies. In synthesis, the absence of data samples from the target contrast can lead to artefactual sensitivity or insensitivity to image features. Here we propose a new approach for synergistic reconstruction-synthesis of multi-contrast MRI based on conditional generative adversarial networks. The proposed method preserves high-frequency details of the target contrast by relying on the shared high-frequency information available from the source contrast, and prevents feature leakage or loss by relying on the undersampled acquisitions of the target contrast. Demonstrations on brain MRI datasets from healthy subjects and patients indicate the superior performance of the proposed method compared to previous state-of-the-art. The proposed method can help improve the quality and scan efficiency of multi-contrast MRI exams.

研究の動機と目的

• マルチコントラストMRIにおける長時間スキャンの課題に対処し、より迅速な撮影を可能にする。
• 既存の再構成および合成手法に見られる高周波数の詳細の損失や特徴の漏れの制限を克服する。
• アンダーサンプリングされたターゲットコントラストデータとソースコントラスト情報の統合的利用により、画像品質を向上させる統一フレームワークを構築する。
• 加速マルチコントラストMRIスキャンにおいて、微細な解剖的構造を保持し、アーチファクトを低減する。

提案手法

• 本手法は、ターゲットコントラストのアンダーサンプリングk空間データとソースコントラストを入力とする条件付き生成対抗ネットワーク（cGAN）を採用する。
• 生成器ネットワークは、コントラスト間で共有される高周波数コンテンツを活用することで、高品質な画像の再構成を学習する。
• 識別器ネットワークは、実画像と生成画像を区別することで、知覚的な現実性と構造的忠実性を強制する。
• 生成対抗損失、知覚的損失、再構成損失を組み合わせた損失関数を用いて、エンドツーエンドでモデルを訓練する。
• ソースコントラストからの高周波数の詳細が、ターゲットコントラストの再構成をガイドするために明示的に使用され、テクスチャーやエッジの保持が向上する。
• 実際のターゲットコントラストのアンダーサンプリングデータに依存することで、特徴の漏れを防止し、解剖学的正確性を確保する。

実験結果

リサーチクエスチョン

• RQ1 統一されたディープラーニングフレームワークは、加速マルチコントラストMRIにおける再構成と合成を効果的に統合し、画像品質の向上を実現できるか？
• RQ2 ソースコントラストからの共有高周波数情報を利用することで、再構成および合成されたターゲットコントラスト画像の忠実性はどのように向上するか？
• RQ3 単独の再構成または合成アプローチと比較して、提案手法はアーチファクトをどれほど低減し、微細な解剖的構造をどれほど保持できるか？
• RQ4 従来手法が劣化する高加速係数下で、モデルの性能はいかがであるか？
• RQ5 ターゲットコントラストからの実際のアンダーサンプリングデータの使用は、合成過程における特徴の漏れを防止するか？

主な発見

• 提案手法は、特に高い加速係数下でも、最先端の再構成および合成技術に比べて高周波数の詳細を顕著に良好に保持する。
• 健常者および患者の脳MRIデータセットを用いた定量的評価では、ベースライン手法と比較してPSNRおよびSSIM指標で優れた性能を示した。
• 実アンダーサンプリングデータとソースコントラストからの高周波数プライアを組み合わせることで、アーチファクトを効果的に低減し、解剖学的正確性を維持した。
• 視覚的評価により、再構成および合成画像における構造的一致性の向上とぼかしの低減が確認された。
• 再構成と合成の連携的利用により、単独のアプローチよりも現実的な画像テクスチャーやエッジの保持が実現された。
• 多様な解剖的構造およびスキャンプロトコルにわたり、本手法は強固な性能を示し、一般化可能性が裏付けられた。