[論文レビュー] XPDNet for MRI Reconstruction: an application to the 2020 fastMRI challenge

Zaccharie Ramzi, Philippe Ciuciu+1 more|arXiv (Cornell University)|Oct 15, 2020

Medical Imaging Techniques and ApplicationsMedicine被引用数 19

ひとこと要約

XPDNet は、Primal-Dual Hybrid Gradient (PDHG) アルゴリズムをアンロールした深層学習ベースの MRI 画像再構成ネットワークであり、画像ノイズ除去にマルチスケールウェーブレット CNN を統合し、感度マップ精錬に U-Net を用いる。2020 年 fastMRI チャレンジにおいて 4× および 8× の加速因子で第 2 位を達成し、脳および膝の MRI データセットにおいて PSNR および NMSE で最先端の性能を示した。

ABSTRACT

We present a new neural network, the XPDNet, for MRI reconstruction from periodically under-sampled multi-coil data. We inform the design of this network by taking best practices from MRI reconstruction and computer vision. We show that this network can achieve state-of-the-art reconstruction results, as shown by its ranking of second in the fastMRI 2020 challenge.

研究の動機と目的

• 従来の圧縮センシングおよび並列撮影技術を凌駕する、学習可能な、効率的で正確な MRI 再構成手法の開発。
• 正則化、最適化パラメータ、感度マップ推定などの手作業で設計されたコンponents の限界の解消。
• エンドツーエンド学習を可能にしつつ、解釈可能性と計算効率を維持するモジュラーなニューラルネットワークアーキテクチャの設計。
• マルチコイルの undersampled k-space データを用いて、高加速因子（4× および 8×）でも高品質な再構成を達成すること。

提案手法

• XPDNet は、PDHG 最適化アルゴリズムにインspiredされた、画像空間と k-space 測定を交互に処理するクロスドメインアンロールネットワークである。
• ステップサイズやモーメンタムなどの最適化パラメータを適応的に調整するため、直近 5 回の反復結果を学習可能なバッファとして保持する。
• 画像補正ネットワークは、メモリ制約内でより多くのアンロール反復を可能にするためにフィルタ数を削減した軽量なマルチスケールウェーブレット CNN (MWCNN) である。
• コイル感度マップを、低周波数 k-space データから最初に推定したものを精錬するため、U-Net を用いた感度マップリファイナを導入した。
• メモリフットプリントを削減するため、k-space 補正ネットワークは使用せず、代わりに画像ドメインのノイズ除去器と画像空間内のデータ整合性に依存する。
• 各加速因子について 100 エポックで RAdam 最適化法を用い、コントラスト固有のデータでファインチューニングを実施する複合損失関数で訓練した。

実験結果

リサーチクエスチョン

• RQ1 学習可能な PDHG アルゴリズムのアンロールは、従来の最適化ベースの MRI 再構成手法に比べ、速度と精度の面で優れているか？
• RQ2 マルチスケールウェーブレット CNN の統合は、MRI の文脈において、標準的な CNN と比較して画像再構成品質をどのように向上させるか？
• RQ3 軽量な U-Net を用いた感度マップ精錬は、計算コストを増加させることなく、再構成忠実度をどの程度向上させるか？
• RQ4 k-space 補正ネットワークの欠如は性能に悪影響を及ぼすか？ もし影響がある場合、他のコンponents によって画像品質はどのように維持されるか？
• RQ5 モジュラーかつアンロールされたアーキテクチャは、異なる MRI コントラストおよび加速因子に一般化可能であり、最先端の性能を維持できるか？

主な発見

• XPDNet は、4× および 8× の加速因子において、fastMRI 2020 チャレンジで第 2 位を達成し、全コントラストにおいて PSNR で第 2 位となった。
• 4× 加速の場合、平均 PSNR は T1 で 41.56、T2 で 40.68、FLAIR で 39.60、T1POST で 42.53 であり、SSIM 値は 0.93 以上であった。
• 8× 加速の場合、平均 PSNR は T1 で 38.57、T2 で 37.41、FLAIR で 36.81、T1POST で 38.90 であり、SSIM 値は 0.9086 から 0.9517 の範囲にあった。
• 4× 加速では、真値との視覚的差異がほとんどなく、8× ではわずかに滑らかさが目立つ程度であり、高 undersampling に対しても頑健であることが示された。
• 4× および 8× 加速因子において、脳および膝の MRI データセットで PSNR および NMSE において最先端の性能を達成した。
• PSNR の結果は優れていたが、SSIM の指標ではやや劣っており、知覚的品質にトレードオフが生じている可能性があり、今後の調査が求められる。