[論文レビュー] Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution

Aleksandr M. Belov, Joël Valentin Stadelmann+2 more|arXiv (Cornell University)|Mar 4, 2021

Advanced MRI Techniques and Applications参考文献 34被引用数 9

ひとこと要約

本稿では、極端なk空間アンダーサンプリング（最大×64）と、再訓練されたPix2PixおよびSRGANモデルを用いた超解像技術を組み合わせることで、深層学習に基づく超高速MRIを提案する。×16の加速条件下で最先端の画像品質（MSE: 11.4×10⁻⁴、PSNR: 29.6 dB、SSIM: 0.956）を達成し、放射線科医によるユーザースタディを通じて診断上的妥当性を示した。これにより、手術計画や放射線治療計画への応用が可能になる可能性がある。

ABSTRACT

We went below the MRI acceleration factors (a.k.a., k-space undersampling) reported by all published papers that reference the original fastMRI challenge, and then considered powerful deep learning based image enhancement methods to compensate for the underresolved images. We thoroughly study the influence of the sampling patterns, the undersampling and the downscaling factors, as well as the recovery models on the final image quality for both the brain and the knee fastMRI benchmarks. The quality of the reconstructed images surpasses that of the other methods, yielding an MSE of 0.00114, a PSNR of 29.6 dB, and an SSIM of 0.956 at x16 acceleration factor. More extreme undersampling factors of x32 and x64 are also investigated, holding promise for certain clinical applications such as computer-assisted surgery or radiation planning. We survey 5 expert radiologists to assess 100 pairs of images and show that the recovered undersampled images statistically preserve their diagnostic value.

研究の動機と目的

• 臨床的スループットと患者の快適性を制限する長時間のMRIスキャン時間の課題に対処する。
• 従来の加速要因（例：×16、×32、×64）を超えた極端なk空間アンダーサンプリングを検討し、超高速画像化を実現する。
• 深層学習に基づく超解像技術が、重度にアンダーサンプリングされたk空間データから診断的に価値のある画像品質を回復できるかどうかを調査する。
• 専門の放射線科医による評価を通じて、再構成画像の臨床的妥当性を検証する。
• さまざまなサンプリングパターンと加速要因において、複数の深層学習モデル（Pix2Pix、SRGAN、U-Net）の性能を比較する。

提案手法

• 加速要因×2から×64の範囲で、径線型、らせん型、fastMRIにインspiredされたサンプリングマスクを用いてk空間の極端なアンダーサンプリングを実施する。
• fastMRIの頭部および膝関節データセット上で、アーティファクト補正および超解像の目的で、画像対画像変換モデル（Pix2PixおよびSRGAN）を再訓練する。
• 再構成画像の高周波成分を保持するために、VGG16の特徴（31層目）に基づく知覚的損失を用いる。
• 高加速要因下での再構成忠実度を向上させるために、U-NetとSRGANを組み合わせたハイブリッドアプローチを実装する。
• 頭部データとは異なり、関節包液に起因する強度の歪みを補正するため、膝関節データにはヒストグラムベースの強度正規化を適用する。
• 標準指標（MSE、PSNR、SSIM）を用いてモデルを評価し、診断品質に関して放射線科医によるユーザースタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いた超解像技術と組み合わせた極端なk空間アンダーサンプリング（最大×64）は、画像品質にどのような影響を与えるか？
• RQ2 fastMRI、径線型、らせん型の各サンプリングパターンの中で、高加速要因下で最も優れた再構成品質を達成するのはどれか？
• RQ3 さまざまな加速要因において、Pix2Pix、SRGAN、U-Net、およびそれらの組み合わせといった異なる深層学習アーキテクチャの性能はどのように比較されるか？
• RQ4 専門の放射線科医による評価において、再構成画像がどの程度診断的価値を保持しているか？
• RQ5 ヒストグラムベースの正規化は、強度分布が非一様な解剖学的部位（例：膝関節）において性能を向上させることができるか？

主な発見

• ×16の加速条件下で、SRGAN+U-NetモデルはfastMRI頭部データセットにおいてMSE 11.4×10⁻⁴、PSNR 29.6 dB、SSIM 0.956を達成し、最先端の手法を上回った。
• 径線型およびらせん型のアンダーサンプリングパターンは、元のfastMRIマスクを上回り、特に高加速要因下で優れた性能を示した。これは、k空間カバレッジがより均一であったためである。
• 膝関節画像処理において、ヒストグラムベースの正規化により性能が向上し、×4の加速条件下でMSE 8.8×10⁻⁴、PSNR 32.8 dB、SSIM 0.943を達成した。
• 5名の放射線科医によるユーザースタディでは、全診断基準（アーティファクト、SNR、CNR）において80％の再構成画像が「やや許容可能」または「完全に許容可能」（3点以上）のスコアを獲得した。
• ×32および×64の加速要因下でも、放射線科医は再構成画像を手術計画や放射線治療の非伝統的応用において診断的に有用であると評価した。
• 高加速要因下で、SRGAN+U-Netモデルは単体のSRGANおよびPix2Pixを上回った。また、SRGAN+U-NetとU-Net+SRGANの間には性能差が最小限に抑えられ、速度と品質のトレードオフに応じたモデル選択の柔軟性があることが示された。