[논문 리뷰] Adaptive-CS-Net: FastMRI with Adaptive Intelligence

Nicola Pezzotti, Elwin de Weerdt외 10명|arXiv (Cornell University)|2019. 12. 13.

Sparse and Compressive Sensing Techniques참고 문헌 7인용 수 17

한 줄 요약

Adaptive-CS-Net는 도메인 특화 사전 지식—예를 들어 데이터 일관성, 위상 행동, 배경 해부학—을 UNet 구조의 네트워크를 사용해 반복적 압축 감쇠 프레임워크에 통합한 딥러닝 기반 MR 영상 복원 방법을 제안한다. 각 단계에서 학습 가능한 적응형 구성 요소로 복원을 정밀하게 보정함으로써 최신 기술 수준의 성능을 달성하였으며, FastMRI 챌린지의 멀티코일 8배 가속 트랙에서 우승을 차지하였다.

ABSTRACT

Adaptive intelligence aims at empowering machine learning techniques with the extensive use of domain knowledge. In this work, we present the application of adaptive intelligence to accelerate MR acquisition. Starting from undersampled k-space data, an iterative learning-based reconstruction scheme inspired by compressed sensing theory is used to reconstruct the images. We adopt deep neural networks to refine and correct prior reconstruction assumptions given the training data. Our results show that an adaptive intelligence approach performs better than traditional methods as well as deep learning methods that do not take prior knowledge into account.

연구 동기 및 목표

• 도메인 특화 사전 지식을 딥러닝 모델에 통합하여 MR 영상 복원 속도와 품질을 향상시키는 것.
• 전통적인 압축 감쇠 기법과 표준 딥러닝 방법이 물리적 MRI 사전 지식를 명시적으로 모델링하지 못하는 한계를 해결하는 것.
• 학습된 사전 지식를 사용해 복원 오차를 동적으로 수정하는 적응형 반복 복원 프레임워크를 개발하는 것.
• 이미지의 구조적 특성과 대trast 유지 능력을 유지하면서도 높은 가속도 요인(최대 10배)을 달성하는 것.
• 특히 도전적인 고가속도 환경에서 실재 임상 MRI 데이터에 대해 뛰어난 성능을 보여주는 것.

제안 방법

• 압축 감쇠에 영감을 받은 반복적 학습 기반 복원 방법을 사용하며, 각 단계에서 UNet 구조의 딥 네트워크로 정밀화한다.
• 각 반복 단계에서 네트워크는 특징 맵에 대해 학습 가능한 소프트 스위칭 함수를 적용하여 복원 오차를 적응적으로 보정한다.
• 네트워크 입력에는 현재 영상 추정치와 도메인 특화 사전 지식인 데이터 일관성(eb,k), 위상 행동(eϕ,k), 배경 위치(ebg,k)가 포함된다.
• 2.5차원 학습 전략을 통해 목표 슬라이스와 그 이웃 슬라이스를 동시에 복원하여 상하좌우 슬라이스 상관관계를 활용한다.
• 손실 함수는 다중 척도-SSIM(α=0.84)과 L1 노름을 조합하여 구조적 세부 사항과 밝기 유지에 기여하며, 감독은 중심 슬라이스에만 적용된다.
• 모델은 학습률 감쇠 기법을 사용한 RAdam 옵timizer를 사용하며, 배치 크기는 6, 두 대의 RTX 8000 GPU에서 훈련된다.

실험 결과

연구 질문

• RQ1 데이터 일관성과 위상 행동과 같은 도메인 특화 사전 지식의 명시적 통합이 딥러닝 기반 MR 복원 성능을 향상시킬 수 있는가?
• RQ2 학습된 사전 지식를 사용한 적응형 반복 보정 방식이 고가속도 MRI에서 표준 엔드 투 엔드 딥러닝 방식보다 우수한가?
• RQ3 2.5차원 학습을 통한 슬라이스 간 상관관계 통합이 고가속도 요인에서 복원 품질 향상에 얼마나 기여하는가?
• RQ4 구조화된 사전 지식를 가진 학습 가능한 반복 프레임워크가 전통적인 압축 감쇠 기법과 비적응형 딥러닝 방법을 능가할 수 있는가?
• RQ5 다중 척도-SSIM과 L1 손실을 조합함으로써 복원된 MR 영상의 구조적 특성과 밝기 유지 능력에 어떤 영향을 미치는가?

주요 결과

• Adaptive-CS-Net는 FastMRI 챌린지의 멀티코일 8배 가속 트랙에서 모든 다른 방법들을 압도하며 최고 성능을 기록하였다.
• 단일코일 및 멀티코일 데이터셋 모두에서 2배에서 10배의 가속도 요인 범위에서 훈련 및 테스트하여 다양한 스케일에서의 강건성을 입증하였다.
• 데이터 일관성, 위상 행동, 배경 위치와 같은 도메인 사전 지식의 사용이 자가 보정 메커니즘을 가능하게 하여 복원 정확도를 향상시켰다.
• 2.5차원 학습 방식은 슬라이스 간 상관관계를 효과적으로 활용하여 계산 비용을 증가시키지 않으면서도 복원 품질을 향상시켰다.
• 다중 척도-SSIM과 L1 손실의 조합(α=0.84)은 구조적 세부 사항과 밝기를 효과적으로 유지하여 복원 영상의 균일한 왜곡을 감소시켰다.
• 8배 및 10배 가속도에서도 고품질 복원을 달성하여 초고속 MRI에서 진단 수준의 영상 품질을 확보할 수 있음을 확인하였다.