[論文レビュー] Towards multi-sequence MR image recovery from undersampled k-space data

Peng Cheng, Wei-An Lin+2 more|arXiv (Cornell University)|Aug 15, 2019

Advanced MRI Techniques and Applications参考文献 16被引用数 5

ひとこと要約

本稿では、全時間予算内で、サンプリング戦略と深層学習ベースの回復を共同で最適化する、アンダーサンプリング済みk空間データからのマルチシーケンスMRI再構成のブラインド回復モデル（BRM）を提案する。複数のシーケンス間で共有される情報を活用するマルチインプット・シングルアウトプットCNNを用いることで、シーケンスごとの回復を上回る性能を達成し、実データにおいて最大40.07 dBのPSNRと0.987のSSIMを達成。時間削減率は75%に達する。

ABSTRACT

Undersampled MR image recovery has been widely studied for accelerated MR acquisition. However, it has been mostly studied under a single sequence scenario, despite the fact that multi-sequence MR scan is common in practice. In this paper, we aim to optimize multi-sequence MR image recovery from undersampled k-space data under an overall time constraint while considering the difference in acquisition time for various sequences. We first formulate it as a constrained optimization problem and then show that finding the optimal sampling strategy for all sequences and the best recovery model at the same time is combinatorial and hence computationally prohibitive. To solve this problem, we propose a blind recovery model that simultaneously recovers multiple sequences, and an efficient approach to find proper combination of sampling strategy and recovery model. Our experiments demonstrate that the proposed method outperforms sequence-wise recovery, and sheds light on how to decide the undersampling strategy for sequences within an overall time budget.

研究の動機と目的

• 固定時間予算下でマルチシーケンスMRI撮影の高速化を図りながら、画像品質を維持する課題に対処すること。
• サンプリング戦略と回復モデルの共同最適化を、組み合わせ的複雑性を回避する制約付き問題として定式化すること。
• 複数シーケンス間の冗長性を活用するブラインド回復モデルを構築し、同時にマルチシーケンス再構成を可能とすること。
• 各設定に特化したモデルをトレーニングせず、各シーケンスの最適なサンプリング係数の探索を効率的に行えるようにすること。
• 共同再構成が、品質および効率の両面で独立したシーケンスごとの再構成を上回ることを実証すること。

提案手法

• 全撮影時間と画像品質のバランスをとる制約付き最適化問題として、マルチシーケンスMRI再構成を定式化する。
• 複数のアンダーサンプリング済みシーケンスを同時に処理するためのブラインド回復モデル（BRM）を導入。複数のシーケンス間の相関を活用するため、共有CNNエンコーダーを用いる。
• 複数入力・複数出力（MIMO）のトレーニング戦略を採用し、複数シーケンス間で統合されたサンプリングおよび再構成パターンを学習する。
• サイクリック損失を用いたファインチューニング段階を導入し、BRMを特定のサンプリング係数の組み合わせに適応させる。
• サンプリング係数（λs）のヒューリスティックサーチを実施し、時間制約下で再構成品質を最大化する高パフォーマンスな組み合わせを同定する。
• ゼロフィルティング（ZF）の性能を代理指標として用い、モデルの全トレーニングを回避する。

実験結果

リサーチクエスチョン

• RQ1 固定された総撮影時間下で、複数のMRIシーケンスに最適なサンプリング戦略は何か？
• RQ2 共有される構造的情報を活用することで、1つのディープラーニングモデルが複数のMRIシーケンスを同時に効果的に再構成できるか？
• RQ3 画像品質および計算効率の観点から、共同マルチシーケンス再構成は、独立した単一シーケンス再構成と比べてどのように異なるか？
• RQ4 ZF性能が、異なるサンプリング設定下でのブラインド回復モデルの性能をどれほど正確に予測できるか？
• RQ5 本手法は、シーケンス間の撮影時間比が非一様な場合にも適応可能か？

主な発見

• 提案されたBRMは、実データにおいて75%の時間削減（Tmax = T/4）を達成し、40.07 dBのPSNRと0.987のSSIMを達成。SISOおよびMIMOベースラインを上回る性能を示した。
• MIMOベースのBRMは、1:1:1の時間配分下で実データにおいて39.24 dBのPSNRと0.984のSSIMを達成。SISO（38.57 dB、0.980 SSIM）を顕著に上回った。
• 本手法は、T2加重画像がより高いサンプリングレートを要することを同定した。これは、T2画像が優れた組織コントラストを提供し、全体の再構成を支援するためである。
• ZF性能とBRM性能の相関は一貫してなかったため、最適な設定を予測するための専用BRMの必要性が裏付けられた。
• 最良のサンプリング係数にBRMをファインチューニングすることで、PSNRが最大0.9 dB向上した。これは、アダプティブなモデル精錬の有効性を示している。
• 非一様な時間配分に対しても本手法は適応可能であり、T1シーケンスの撮影時間が短い場合にはより頻繁にサンプリングを行い、T2およびFLAIR再構成の高品質を維持した。