[논문 리뷰] An Adaptive Intelligence Algorithm for Undersampled Knee MRI Reconstruction

Nicola Pezzotti, Sahar Yousefi외 10명|arXiv (Cornell University)|2020. 04. 15.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 논문은 압축 측정 원리를 통합한 다중 척도, 다중 블록 신경망을 갖춘 딥러닝 기반의 MRI 재구성 방법인 Adaptive-CS-Net을 제시한다. 이는 골절 MRI 데이터의 부족한 샘플링을 재구성하는 데 사용된다. 2019년 fastMRI 챌린지 데이터셋으로 훈련된 결과, 8배 및 4배 다중 코일에서 공동 1위를 기록하였고, 4배 단일 코일 재구성에서는 3위를 차지하여 가속도 수준에 관계없이 뛰어난 이미지 품질과 강건성을 입증하였다.

ABSTRACT

Adaptive intelligence aims at empowering machine learning techniques with the additional 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. The network was trained and tested on a knee MRI dataset from the 2019 fastMRI challenge organized by Facebook AI Research and NYU Langone Health. All submissions to the challenge were initially ranked based on similarity with a known groundtruth, after which the top 4 submissions were evaluated radiologically. Our method was evaluated by the fastMRI organizers on an independent challenge dataset. It ranked #1, shared #1, and #3 on respectively the 8x accelerated multi-coil, the 4x multi-coil, and the 4x single-coil track. This demonstrates the superior performance and wide applicability of the method.

연구 동기 및 목표

• 의료 영상 진단 품질을 유지하면서 과도한 코ilspace 데이터를 재구성함으로써 MRI 촬영을 가속화하는 것.
• 딥러닝과 압축 측정 원리를 융합하여 가속화된 MRI에서 발생하는 앨리어스링과 블러링 문제를 해결하는 것.
• 다양한 가속도 요인(4배, 8배)과 코일 구성(단일 및 다중 코일)에서 정확도와 강건성을 향상시키는 것.
• 데이터 일관성과 위상 행동과 같은 도메인 특화 사전 지식을 학습하면서 데이터 기반 학습을 수행하는 방법을 개발하는 것.
• 특히 임상적으로 중요한 다중 코일 환경에서 2019년 fastMRI 챌린지에서 최첨단 성능을 달성하는 것.

제안 방법

• 압축 측정에 기반한 반복적 학습 기반 재구성 프레임워크를 활용하여 초기 재구성 결과를 개선하는 딥러닝 네트워크를 적용한다.
• 잔차 연결을 통한 다중 척도, 다중 블록 아키텍처는 다양한 해상도 수준에서 복잡한 이미지 패턴을 학습할 수 있도록 한다.
• 평균 구조적 유사도(MSSIM)와 ℓ₁ 노름을 조합한 손실 함수를 사용하여 시각적 품질과 희소성 간 균형을 이룬다.
• 2.5D 훈련 방식은 세 개의 연속된 슬라이스를 재구성하며, 손실 계산은 중심 슬라이스에만 수행되어 특징 학습을 향상시키면서도 효율성을 유지한다.
• 데이터 일관성 제약 조건과 알려진 위상 행동을 유도적 편향으로 통합하지만, 이는 성능 향상에 미미한 기여를 하였다.
• RAdam 옵timizer를 사용하여 최적화를 수행하였으며, 이는 대규모 MRI 데이터에서의 훈련 시 수렴성과 안정성 면에서 뛰어난 성능을 보였다.

실험 결과

연구 질문

• RQ1 부족한 k-space 데이터로 훈련된 딥러닝 모델이 전통적인 압축 측정 기법과 기존의 딥러닝 기반 기준 모델보다 MRI 재구성 성능에서 뛰어나게 될 수 있는가?
• RQ2 2.5D 훈련 방식에서 이웃 슬라이스를 포함하는 것이 2D 또는 전체 3D 훈련 대비 재구성 품질에 어떤 영향을 미치는가?
• RQ3 데이터 일관성과 위상 행동과 같은 도메인 특화 사전 지식을 네트워크에 통합할 경우 성능 향상에 어느 정도 기여하는가?
• RQ4 성능, 메모리 사용량, 훈련 시간을 고려할 때 MRI 데이터에 최적화된 최적의 네트워크 깊이(블록 수)와 아키텍처는 무엇인가?
• RQ5 모델이 임상 MRI 환경에서 다양한 가속도 요인(4배, 8배)과 코일 구성(단일 대 다중 코일)에 대해 얼마나 잘 일반화되는가?

주요 결과

• Adaptive-CS-Net은 2019년 fastMRI 챌린지에서 최고의 순위를 기록하여 8배 및 4배 다중 코일 재구성 트랙에서 공동 1위를 차지하였다.
• 4배 단일 코일 트랙에서는 3위를 기록하여 다양한 촬영 프로토콜에 대한 뛀아난 일반화 능력을 입증하였다.
• 이웃 슬라이스를 활용해 특징 학습을 수행하면서도 손실 계산은 중심 슬라이스에만 수행하는 2.5D 훈련 방식이 2D 및 전체 3D 기반 손실 접근 방식보다 뛰어난 성능을 보였다.
• GPU 메모리 내에서 가능한 최대 블록 수를 사용함으로써 모델 성능이 최적화되었으며, 장기간 훈련에도 불구하고 심각한 과적합 현상은 관찰되지 않았다.
• MSSIM과 ℓ₁ 손실의 조합이 가장 우수한 결과를 냈으며, SSIM 전용 또는 MSE 기반 손실과 비교해도 우월한 성능을 보였다.
• 데이터 일관성과 위상 행동과 같은 사전 지식를 통합했음에도 불구하고, 이들의 최종 성능에 대한 영향은 미미하였으며, 이는 네트워크가 데이터 자체로부터 강력하게 학습할 수 있음을 시사한다.