[논문 리뷰] An Adaptive Intelligence Algorithm for Undersampled Knee MRI Reconstruction: Application to the 2019 fastMRI Challenge

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

Advanced MRI Techniques and Applications참고 문헌 43인용 수 13

한 줄 요약

이 논문은 압축 측정 원리와 딥 러닝을 융합한 적응형 지능 알고리즘을 제안하여 부족한 촬영 데이터를 가진 무릎 MRI 영상을 복원한다. 2019년 fastMRI 챌린지 데이터셋을 기반으로 도메인 인식 신경망을 훈련시켜 이전 복원 가정을 개선함으로써, 상태의 기술 수준을 초월하는 성능을 달성하여 8x, 4x 다중 코ils 및 4x 단일 코일 복원 트랙에서 각각 #1(공동 #1) 및 #3 순위를 기록했다.

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

• 고도로 부족한 k-space 데이터로부터 고품질 복원을 가능하게 하여 MR 영상 촬영을 가속화하는 것.
• 도메인 특화 지식을 딥 러닝 모델에 통합하여 복원 정확도와 일반화 능력을 향상시키는 것.
• 훈련 데이터를 기반으로 초기 가정을 반복적으로 개선하는 학습 기반 복원 프레임워크를 개발하는 것.
• 부족한 훈련 데이터와 복원 MRI에서의 노이즈 문제를 적응형 지능을 활용하여 해결하는 것.
• 특히 고가속도 환경에서 벤치마크 데이터셋에서 뛰어난 성능을 달성하는 것.

제안 방법

• 압축 측정 이론에 기반한 반복적 학습 기반 복원 기법을 활용하여, 부족한 k-space 데이터에서 영상을 복원한다.
• 딥 뉴럴 네트워크를 사용해 훈련 데이터를 바탕으로 초기 복원 가정을 개선하고 보정하며, 도메인 지식을 통합한다.
• 프레임워크는 페이스북 AI 리서치와 뉴욕대학교 랑건 헬스가 공동으로 주관한 2019년 fastMRI 챌린지의 무릎 MRI 데이터셋을 기반으로 훈련된다.
• 다중 코일 및 단일 코일 촬영 데이터를 모두 처리할 수 있도록 설계되어 임상 환경 전반에 걸쳐 넓은 적용 가능성을 확보한다.
• 예측된 영상와 진짜 영상 간의 차이를 최소화하는 엔드 투 엔드 훈련을 통해 복원 품질을 최적화한다.
• 입력 k-space 패턴에 기반해 네트워크 동작을 동적으로 조정함으로써 다양한 가속도 요인(예: 4x, 8x)에 적응한다.

실험 결과

연구 질문

• RQ1 도메인 특화 지식을 통합함으로써 적응형 지능이 딥 러닝 기반 MRI 복원 성능을 향상시킬 수 있는가?
• RQ2 기존 최고 수준의 기술과 비교해 복원 성능이 고가속도 요인(예: 8x)에서 어떻게 나타나는가?
• RQ3 네트워크가 이전 가정을 얼마나 효과적으로 개선함으로써, 부족한 촬영 데이터에서의 복원 정확도가 향상되는가?
• RQ4 다양한 코일 구성(단일 코일 대 다중 코일)과 가속도 수준 간에서 이 방법의 일반화 능력은 어느 정도인가?
• RQ5 학습 분포에 과적합되지 않고 독립된 테스트 데이터에서 최상위 성능을 달성할 수 있는가?

주요 결과

• 8배 가속도 다중 코일 트랙에서 최고 순위를 기록하여 최종 평가에서 #1 위치를 확보했다.
• 4배 가속도 다중 코일 트랙에서 #1 공동 순위를 달성하여 고가속도 환경에서도 뛰어난 성능을 입증했다.
• 4배 가속도 단일 코일 트랙에서 #3 순위를 기록하여 다양한 촬영 프로토콜 간 일관된 성능을 보였다.
• 결과는 도메인 지식을 딥 러닝에 통합함으로써 복원 품질과 강인성이 향상됨을 확인시켰다.
• 정량적 유사도 지표와 방사선의학 평가 모두에서 다른 제출물들을 능가하는 성능을 보였다.
• 다양한 k-space 샘플링 패턴과 코일 구성에 걸쳐 광범위한 적용 가능성을 입증했다.