[論文レビュー] Unsupervised MRI Reconstruction with Generative Adversarial Networks

Elizabeth K. Cole, John M. Pauly+2 more|arXiv (Cornell University)|Aug 29, 2020

Advanced MRI Techniques and Applications参考文献 41被引用数 33

ひとこと要約

この論文は、完全サンプリングデータを用いずにMRI再構成を行う深層学習フレームワークを提案し、生成対抗ネットワークを用いて undersampling の下で解剖学的構造を回復する。膝と腹部 DCE シナリオで従来法より改善を示す。

ABSTRACT

Deep learning-based image reconstruction methods have achieved promising results across multiple MRI applications. However, most approaches require large-scale fully-sampled ground truth data for supervised training. Acquiring fully-sampled data is often either difficult or impossible, particularly for dynamic contrast enhancement (DCE), 3D cardiac cine, and 4D flow. We present a deep learning framework for MRI reconstruction without any fully-sampled data using generative adversarial networks. We test the proposed method in two scenarios: retrospectively undersampled fast spin echo knee exams and prospectively undersampled abdominal DCE. The method recovers more anatomical structure compared to conventional methods.

研究の動機と目的

• 完全サンプリングデータが利用できない、または取得が難しい場合の MRI 再構成における教師なし学習の動機づけ（例：DCE、3D 心臓、4D フロー）。
• 完全サンプリング参照なしで再構成を学習する GAN ベースのフレームワークを開発。
• 後向きに undersampled な膝 fast spin-echo データおよび前向きに undersampled な腹部 DCE データでアプローチを実証。

提案手法

• 完全サンプリングされた地上 truth なしで MRI 再構成を行うために Generative Adversarial Network を用いる。
• 敵対的損失を通じて再構成画像を現実的な解剖学と一致させる教師なし目的で訓練。
• 二つの undersampling シナリオ（ retrospective knee FSE および prospective abdominal DCE）で従来法と比較して再構成品質を評価。
• 再構成画像における解剖学的構造の保持に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 GAN を用いて、完全サンプリング地上 truth データなしに MRI 再構成を効果的に学習できるか。
• RQ2 教師なし GAN ベースの再構成は undersampling 下で従来法より解剖学的構造をより良く保持するか。
• RQ3 異なる undersampling レジーム（ retrospective knee FSE および prospective abdominal DCE）で方法はどのように機能するか。

主な発見

• テストされたシナリオにおいて、GAN ベースのフレームワークは従来法と比べてより多くの解剖学的構造を回復する。