[논문 리뷰] Automating Motion Correction in Multishot MRI Using Generative Adversarial Networks

Siddique Latif, Muhammad Asim외 3명|arXiv (Cornell University)|2018. 11. 24.

Advanced MRI Techniques and Applications참고 문헌 5인용 수 14

한 줄 요약

이 논문은 반복적인 운동 추정을 생략하는 GAN 기반 엔드 투 엔드 프레임워크를 제안하여, 최대 14°의 운동까지 고해상도 이미지 복원을 달성하고, 최신 기술 대비 복원 시간을 두 배수 감소시킨다.

ABSTRACT

Multishot Magnetic Resonance Imaging (MRI) has recently gained popularity as it accelerates the MRI data acquisition process without compromising the quality of final MR image. However, it suffers from motion artifacts caused by patient movements which may lead to misdiagnosis. Modern state-of-the-art motion correction techniques are able to counter small degree motion, however, their adoption is hindered by their time complexity. This paper proposes a Generative Adversarial Network (GAN) for reconstructing motion free high-fidelity images while reducing the image reconstruction time by an impressive two orders of magnitude.

연구 동기 및 목표

• 이미지 품질을 떨어뜨리고 임상적 오진진단의 위험을 초래하는 다단계 MRI에서의 운동 아티팩트 문제를 해결한다.
• 임상적 적용을 제한하는 기존 반복적 운동 보정 기술의 높은 계산 비용을 극복한다.
• 명시적인 운동 상태 추정 없이 직접 운동이 없는 이미지를 복원하는 엔드 투 엔드 GAN 프레임워크를 개발한다.
• 최신 기술 대비 이미지 품질을 유지하거나 향상시키면서도 더 빠른 복원 시간을 달성한다.
• 딥 생성 모델을 임상 MRI 응용 분야의 운동 보정에 활용할 수 있는지의 가능성을 입증한다.

제안 방법

• 운동으로 손상된 MRI 이미지를 복원하기 위해 인코더-디코더 아키텍처와 스케일 연결을 갖춘 U-Net 기반 생성자 네트워크를 사용한다.
• 생성자 네트워크의 인코더와 동일한 아키텍처를 갖춘 판별자 네트워크를 사용하여, 적대적 훈련 환경에서 진짜 이미지와 생성된 이미지를 구분한다.
• GAN을 최소최대 목적으로 훈련한다: min_G max_D E_x[log(D(x))] + E_y[log(1 - D(G(y)))], 여기서 x는 손상된 이미지이고 y는 보정된 이미지이다.
• 합성 운동으로 손상된 데이터에서의 적대적 훈련 동안 수렴을 가속화하기 위해 생성자를 사전 훈련한다.
• k-space 편향 및 세분화를 포함하는 3단계 방법을 사용하여 BRATS 2015 데이터셋에서 합성 운동으로 손상된 k-space 데이터를 생성한다.
• GAN에 입력하기 전에 표준 CG SENSE 복원을 적용하여 엔드 투 엔드 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 반복적인 운동 추정 없이 GAN 기반 프레임워크가 다단계 MRI에서 운동 아티팩트를 효과적으로 보정할 수 있는가?
• RQ2 제안된 GAN 기반 방법은 최신 기술 대비 이미지 품질과 복원 속도 측면에서 어떻게 비교되는가?
• RQ3 운동 정도가 증가함에 따라 GAN이 얼마나 높은 품질의 이미지를 복원할 수 있는가 (최대 14°까지)?
• RQ4 기존의 운동 보정 파이프라인에 비해 엔드 투 엔드 GAN 프레임워크가 계산 시간을 크게 줄일 수 있는가?
• RQ5 공개 데이터셋에서 유래한 합성 운동으로 손상된 데이터를 사용하여 강력한 운동 보정 모델을 훈련하는 데 효과적인가?

주요 결과

• 5° 운동에서 제안된 GAN은 PSNR 31.82 dB 및 SSIM 0.95를 기록하여 저도 및 중간 수준의 운동에서 높은 이미지 품질을 확보했다.
• 14° 운동에서도 PSNR 26.82 dB 및 SSIM 0.90를 유지하여 심각한 품질 저하 속에서도 강건성을 입증했다.
• 이전의 10° 한계를 넘어서 14°까지 운동을 성공적으로 보정함으로써 최신 기술 [3]보다 우수한 성능을 보였다.
• 복원 시간은 1스캔당 0.22~0.34초로 단축되었으며 ([3]의 114~152초 대비), 100배의 속도 향상을 기록했다.
• 정성적 결과에서는 GAN이 생성한 이미지가 [3]의 결과보다 더 선명하고 정확하며, 특히 미세한 해부학적 구조를 잘 유지했다.
• 명시적인 운동 상태 추정 없이도 GAN 프레임워크가 운동 아티팩트를 효과적으로 제거하여 계산 오버헤드를 크게 감소시켰다.