[論文レビュー] Zero-Shot Self-Supervised Learning for MRI Reconstruction

Burhaneddin Yaman, Seyed Amir Hossein Hosseini+1 more|arXiv (Cornell University)|Feb 15, 2021

Medical Imaging Techniques and Applications参考文献 22被引用数 32

ひとこと要約

単一の undersampled scan からの主題特異的な加速MRI再構成のためのゼロショット自己教師あり学習 (ZS-SSL) フレームワークを提案し、自動的な早期停止検証と任意の転移学習を利用可能とする。外部のトレーニングデータを回避し、取得変動に対する頑健性を向上させる。

ABSTRACT

Deep learning (DL) has emerged as a powerful tool for accelerated MRI reconstruction, but often necessitates a database of fully-sampled measurements for training. Recent self-supervised and unsupervised learning approaches enable training without fully-sampled data. However, a database of undersampled measurements may not be available in many scenarios, especially for scans involving contrast or translational acquisitions in development. Moreover, recent studies show that database-trained models may not generalize well when the unseen measurements differ in terms of sampling pattern, acceleration rate, SNR, image contrast, and anatomy. Such challenges necessitate a new methodology to enable subject-specific DL MRI reconstruction without external training datasets, since it is clinically imperative to provide high-quality reconstructions that can be used to identify lesions/disease for \emph{every individual}. In this work, we propose a zero-shot self-supervised learning approach to perform subject-specific accelerated DL MRI reconstruction to tackle these issues. The proposed approach partitions the available measurements from a single scan into three disjoint sets. Two of these sets are used to enforce data consistency and define loss during training for self-supervision, while the last set serves to self-validate, establishing an early stopping criterion. In the presence of models pre-trained on a database with different image characteristics, we show that the proposed approach can be combined with transfer learning for faster convergence time and reduced computational complexity. The code is available at \url{https://github.com/byaman14/ZS-SSL}.

研究の動機と目的

• 外部データセットに依存しない主題特異的なMRI再構成手法の動機付け。
• トレーニング、損失計算、検証を分割するゼロショット自己教師付きトレーニングフレームワークの開発。
• 外部検証データなしで過学習を防ぐ自動停止基準の提供。
• 採取パターン、加速率、SNR、コントラスト、解剖学の変化に対する頑健性と汎用性の実証。
• 事前学習済みモデルが利用可能な場合に収束を速める転移学習の活用方法の提示。

提案手法

• 単一スキャンから取得したk-spaceを三つの互いに素なセットΘ、Λ、Γに分割してデータ整合更新、損失計算、自己検証を行う。
• Ω∖Γ から生成された複数の (Θk, Λk) マスクを用いてデータ整合損失を Λk に対して課す、複数の (Θk, Λk) マスクを用いてアンローリング物理 guided DL MRI再構成ネットワークを訓練する。
• θ の重みに対して最適化しつつΓ上のk-space検証損失を監視して自動停止基準を定義する。
• 転移学習による事前学習モデルからの初期化（ZS-SSL-TL）で収束を加速し計算を削減することを任意で実施可能。
• 膝MRIおよび脳MRIにおいて、複素数入力（実部+虚部）を用いた10回の反復アンローリングアーキテクチャでCG-SENSE/ResNetベースのブロックを使用し、正規化損失（ℓ1–ℓ2）とAdam最適化を用いたエンドツーエンド訓練。
• 完全にサンプリングされた参照を用いない訓練を実演し、PSNRとSSIMで評価。

実験結果

リサーチクエスチョン

• RQ1 外部トレーニングデータを持たずに、ゼロショットかつ主題特異的なDL MRI再構成は競争力のある品質を達成できるか。
• RQ2 3セットのk-space分割は自己監視と過学習防止の自動停止を効果的に実現できるか。
• RQ3 pretrainedモデルが存在する場合、転移学習は収束と計算をさらに改善できるか。
• RQ4 ZS-SSL-TL はドメインシフト（サンプリングパターン、加速、コントラスト、SNR、解剖学）下で従来の教師あり手法と比べてどの程度堅牢か。

主な発見

• ZS-SSL は訓練データとテストデータが一致する場合、データベース trained 方法と同等のアーティファクトのない高品質な再構成を達成。
• ZS-SSL-TL は ZS-SSL よりも収束が速く、総訓練時間を短縮。
• ZS-SSL-TL はドメインシフト下で、帯域アーティファクトや残留エイリアシングを従来の一部の教師あり手法よりも効果的に緩和。
• ZS-SSL および ZS-SSL-TL はデータベース trained PG-DLR と比較して、サンプリングパターン、加速、コントラスト、SNR、解剖学の変化に対する頑健性が優れている。
• 主題特異的ZS-SSLは大規模な訓練データセットを必要とせず、スキャン特異的な転移学習と組み合わせて品質と計算コストのバランスを取れる。