[論文レビュー] VS-Net: Variable splitting network for accelerated parallel MRI reconstruction

Jinming Duan, Jo Schlemper+8 more|arXiv (Cornell University)|Jul 19, 2019

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

ひとこと要約

VS-Net は、変数分割最適化手法をニューラルネットワークにアンロールした、加速された並列MRI再構成のための深層学習ベースでエンド・ツー・エンドで学習可能なネットワークである。ノイズ除去、データ整合性、重み付き平均化のブロックを備え、解析的で点単位のデータ整合性レイヤーと畳み込みニューラルネットワーク（CNN）による学習可能なノイズ除去を用いることで、4倍および6倍の加速条件下での膝MRIデータにおいて、PSNRおよびSSIMの両面で最先端の画像品質と計算効率を達成した。

ABSTRACT

In this work, we propose a deep learning approach for parallel magnetic resonance imaging (MRI) reconstruction, termed a variable splitting network (VS-Net), for an efficient, high-quality reconstruction of undersampled multi-coil MR data. We formulate the generalized parallel compressed sensing reconstruction as an energy minimization problem, for which a variable splitting optimization method is derived. Based on this formulation we propose a novel, end-to-end trainable deep neural network architecture by unrolling the resulting iterative process of such variable splitting scheme. VS-Net is evaluated on complex valued multi-coil knee images for 4-fold and 6-fold acceleration factors. We show that VS-Net outperforms state-of-the-art deep learning reconstruction algorithms, in terms of reconstruction accuracy and perceptual quality. Our code is publicly available at https://github.com/j-duan/VS-Net.

研究の動機と目的

• 高次サンプリングされたk空間データから、高品質な並列MRI画像を効率的に再構成するための深層学習フレームワークの開発。
• 複雑で計算コストの高い処理を伴う既存の深層学習手法が、多コイルMRIデータを効果的に処理できないという限界の解消。
• 反復的変数分割最適化プロセスを学習可能なニューラルネットワークにアンロールする、シンプルだが効果的なアーキテクチャの設計。
• 変分ネットワーク（VN）やℓ1-SPIRiTといった最先端手法と比較して、再構成精度と視覚的質の両面での向上。
• 学習可能な重みパラメータとネットワークの深さが再構成性能に与える影響の調査。

提案手法

• 変数分割を用いて、並列圧縮センシングMRI再構成を多変数エネルギー最小化問題として定式化する。
• 反復的変数分割最適化を、ノイズ除去（CNNベース）、データ整合性（解析的で点単位）、重み付き平均化（学習可能な重み）の3つの主要ブロックを有する深層ニューラルネットワークにアンロールする。
• 増大ラグランジュ法（ALM）ではなく罰則関数法を採用することで、ALMベースの手法と比較してネットワークアーキテクチャを簡素化する。
• 入力として複素数値の多コイルMRIデータを用い、オフライン学習中にすべてのパラメータをエンド・ツー・エンドで学習する。
• キルンスケールのカーディナルアンダーサンプリングパターンを適用し、固定された段階数（例：10）を用い、学習可能な重みを導入することで性能を向上させる。
• 明示的なフィルターカーネルや行列逆演算を回避するため、暗黙的正則化を実現する学習可能なノイズ除去CNNを統合する。

実験結果

リサーチクエスチョン

• RQ1 ネットワークの深さ（段階数）が増加するに従って、VS-Netの性能はどのように変化するか？
• RQ2 データ整合性ブロックおよび平均化ブロックにおける重みパラメータを学習可能な変数としてパrameter化することの影響は何か？
• RQ3 ℓ1-SPIRiT や変分ネットワーク（VN）といった最先端手法と比較して、VS-Netの再構成精度と視覚的質はどの程度か？
• RQ4 反復ソルバーを必要とせずに、解析的で点単位のデータ整合性レイヤーを多コイルMRIデータに効果的に適用できるか？
• RQ5 学習可能なフィルターを用いた明示的正則化と比較して、CNNベースのノイズ除去による暗黙的正則化は、性能を向上させるか？

主な発見

• VS-Netは、全プロトコルおよび加速係数において最高のPSNRとSSIMを達成した。特に6倍加速の coronal PD プロトコルでは、平均PSNRが47.22 ± 2.89 dBであった。
• 6倍加速条件下では、VS-Netはcoronal PD データセットにおいて、VN よりもPSNRで0.93 dB高く、SSIMで0.02高い結果を示した。
• 10段階を超えると、VS-Netの性能は頭打ちとなり、より深いネットワークによる利点は限定的であることが示された。
• データ整合性および平均化ブロックにおける学習可能な重みパラメータは、固定重みと比較して定量的指標を顕著に改善した。
• 視覚的比較と高いSSIM値から、VS-Netはℓ1-SPIRiT や VN よりも細かな組織テクスチャをよりよく保持していた。
• 高価な行列逆演算や反復ソルバーを必要としないため、計算効率が高く、数値的に安定した優れた結果を達成した。