[논문 리뷰] Active Phase-Encode Selection for Slice-Specific Fast MR Scanning Using a Transformer-Based Deep Reinforcement Learning Framework

Yiming Liu, Yanwei Pang외 2명|arXiv (Cornell University)|2022. 03. 11.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 논문은 MRI 스캔을 가속화하기 위해 슬라이스별로 특화된 프로브-인코딩 선을 능동적으로 선택하는 경량 트랜스포머 기반 딥 강화학습 프레임워크인 TITLE을 제안한다. 이중 단일 프로브-인코딩 지표와 샘플링된 k-스페이스 데이터로부터 Q-값 예측을 활용함으로써, 이전의 RL 방법들보다 150배 빠른 추론 속도를 달성하면서도 fastMRI 데이터셋에서 재구성 정확도를 크게 향상시킨다.

ABSTRACT

Purpose: Long scan time in phase encoding for forming complete K-space matrices is a critical drawback of MRI, making patients uncomfortable and wasting important time for diagnosing emergent diseases. This paper aims to reducing the scan time by actively and sequentially selecting partial phases in a short time so that a slice can be accurately reconstructed from the resultant slice-specific incomplete K-space matrix. Methods: A transformer based deep reinforcement learning framework is proposed for actively determining a sequence of partial phases according to reconstruction-quality based Q-value (a function of reward), where the reward is the improvement degree of reconstructed image quality. The Q-value is efficiently predicted from binary phase-indicator vectors, incomplete K-space matrices and their corresponding undersampled images with a light-weight transformer so that the sequential information of phases and global relationship in images can be used. The inverse Fourier transform is employed for efficiently computing the undersampled images and hence gaining the rewards of selecting phases. Results: Experimental results on the fastMRI dataset with original K-space data accessible demonstrate the efficiency and accuracy superiorities of proposed method. Compared with the state-of-the-art reinforcement learning based method proposed by Pineda et al., the proposed method is roughly 150 times faster and achieves significant improvement in reconstruction accuracy. Conclusions: We have proposed a light-weight transformer based deep reinforcement learning framework for generating high-quality slice-specific trajectory consisting of a small number of phases. The proposed method, called TITLE (Transformer Involved Trajectory LEarning), has remarkable superiority in phase-encode selection efficiency and image reconstruction accuracy.

연구 동기 및 목표

• 이미지 품질을 훼손하지 않으면서 슬라이스당 프로브-인코딩 선의 수를 최소화하여 MRI 스캔 시간을 단축시키는 것.
• 기존의 강화학습 방법들이 MRI의 프로브-인코딩 선택에 있어 효율성이 떨어지는 문제를 해결하는 것.
• 샘플링된 k-스페이스 재구성에 대해 빠르고 정확하며 슬라이스별로 특화된 궤적 학습 프레임워크를 개발하는 것.
• 경량 트랜스포머 아키텍처를 사용해 전반적인 이미지 맥락과 순차적 프로브-의존성을 통합하는 것.

제안 방법

• 딥 강화학습 에이전트는 재구성 품질 향상 정도를 반영하는 Q-값 함수에 기반해 순차적으로 프로브-인코딩 선을 선택하는 방식으로 학습한다.
• Q-값은 이진 프로브-지시자 벡터와 완전하지 않은 k-스페이스 행렬을 처리하는 경량 트랜스포머를 통해 예측된다.
• 이미지 품질 보상은 샘플링된 k-스페이스 데이터에 대해 역 푸리에 변환을 수행하여 재구성된 이미지의 품질을 평가함으로써 계산된다.
• 이 프레임워크는 실시간으로 재구성 품질 피드백에 기반해 동적으로 프로브를 선택하는 희소하고 적응형 샘플링 전략을 사용한다.
• 재구성된 이미지와 완전 샘플링된 이미지 간의 구조적 유사도(SSI)와 평균 제곱 오차(MSE)를 기반으로 한 보상 신호를 사용해 엔드 투 엔드로 모델을 훈련시킨다.
• 경량 트랜스포머 아키텍처는 k-스페이스 내 장거리 의존성과 전반적인 이미지 특징을 효율적으로 모델링할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 딥 강화학습 에이전트는 개별 슬라이스에 대해 고화질 MRI 재구성을 이끌어내는 최소한의 프로브-인코딩 선을 효과적으로 학습할 수 있는가?
• RQ2 표준 딥 러닝 또는 강화학습 베이스라인 대비 트랜스포머 기반 아키텍처는 순차적 프로브-선택 모델링을 어떻게 향상시키는가?
• RQ3 제안된 방법은 최신 기술 대비 스캔 시간을 얼마나 줄일 수 있으며, 동시에 재구성 정확도를 유지하거나 향상시킬 수 있는가?
• RQ4 실시간 보상 계산을 위한 역 푸리에 변환의 통합은 훈련 효율성과 성능 향상에 어떻게 기여하는가?

주요 결과

• 제안된 방법인 TITLE은 Pineda 등이 제안한 최신 기술 대비 프로브-인코딩 선택 추론 속도에서 150배 빠른 성능을 달성한다.
• 원본 k-스페이스 데이터를 사용한 fastMRI 데이터셋에서 더 높은 SSIM과 더 낮은 MSE를 기록함으로써 재구성 정확도에서 뚜렷한 향상을 보였다.
• 경량 트랜스포머 아키텍처는 국소적 프로브-시퀀스와 전반적인 이미지 관계를 효과적으로 모델링하여 재구성 정밀도를 향상시켰다.
• 이 프레임워크는 진단 잠재력에 손상을 주지 않으면서도 이미지 품질을 최적화하는 슬라이스별로 특화된 샘플링 궤적을 성공적으로 학습하여 스캔 시간을 단축시켰다.
• 실시간 보상 계산을 위한 역 푸리에 변환의 활용은 훈련 중 효율적이고 정확한 피드백을 제공하여 정책 수렴을 향상시켰다.