[논문 리뷰] Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural Network

Qing Lyu, Hongming Shan외 3명|arXiv (Cornell University)|2020. 06. 23.

Advanced Image Processing Techniques참고 문헌 43인용 수 7

한 줄 요약

이 논문은 저속도로 촬영된 운동 왜곡 k-space 데이터에서 공간적 및 시간적 특징을 동시에 모델링하기 위해 이중 ConvLSTM 브랜치를 갖춘 순환 신경망을 제안한다. 이는 심장 촬영용 cine MRI에서 운동 왜곡을 감소시키는 데 기여한다. 이 방법은 SSIM 및 PSNR로 측정된 우수한 영상 품질을 달성하며, 고정밀도의 화면 간섭을 가능하게 하여 시간 해상도를 향상시키고, ECG가 없는 빠른 촬영을 가능하게 하며 다양한 MRI 스캐너에서 뛰어난 내성성을 보인다.

ABSTRACT

Cine cardiac magnetic resonance imaging (MRI) is widely used for diagnosis of cardiac diseases thanks to its ability to present cardiovascular features in excellent contrast. As compared to computed tomography (CT), MRI, however, requires a long scan time, which inevitably induces motion artifacts and causes patients' discomfort. Thus, there has been a strong clinical motivation to develop techniques to reduce both the scan time and motion artifacts. Given its successful applications in other medical imaging tasks such as MRI super-resolution and CT metal artifact reduction, deep learning is a promising approach for cardiac MRI motion artifact reduction. In this paper, we propose a recurrent neural network to simultaneously extract both spatial and temporal features from under-sampled, motion-blurred cine cardiac images for improved image quality. The experimental results demonstrate substantially improved image quality on two clinical test datasets. Also, our method enables data-driven frame interpolation at an enhanced temporal resolution. Compared with existing methods, our deep learning approach gives a superior performance in terms of structural similarity (SSIM) and peak signal-to-noise ratio (PSNR).

연구 동기 및 목표

• 긴 촬영 시간과 환자 운동으로 인한 심장 촬영용 cine MRI에서의 운동 왜곡을 줄이기 위해.
• 저속도로 촬영된 운동 왜곡 영상에서 영상 품질을 복원함으로써 ECG가 없는 빠른 촬영을 가능하게 하기 위해.
• 학습된 시공간 동역학을 활용한 데이터 기반 화면 간섭을 통해 시간 해상도를 향상시키기 위해.
• 다양한 MRI 스캐너와 촬영 프로토콜에 적용 가능한 강건한 방법을 개발하기 위해.
• SSIM 및 PSNR 지표를 사용하여 기존의 딥러닝 및 전통적 방법보다 영상 복원 품질에서 뛰어난 성능을 내기 위해.

제안 방법

• 이 방법은 다섯 개의 연속된 프레임에서의 k-space 데이터를 혼합하고, 영상의 운동 왜곡을 유도하기 위해 저속도 촬영을 위한 영역을 제로 패딩하여 구현한다.
• 이중 병렬 ConvLSTM 브랜치를 갖춘 깊이 있는 순환 신경망이 영상 시퀀스를 처리하여 전진 및 후진 시간적 특징을 추출한다.
• 에코더는 다양한 감도 영역(수용장)을 갖는 다중 척도 컨볼루션 커널을 사용하여 국소적 및 전반적인 공간적 특징을 포착한다.
• 신경망은 시공간 상관관계를 활용하여 운동 왜곡 입력에서 운동 없는 영상을 복원하도록 훈련된다.
• 이 아키텍처는 다양한 길이의 시퀀스에 대한 추론을 가능하게 하여 실제 임상 적용에서의 유연성을 높인다.
• 화면 간섭은 학습된 시간적 동역학을 활용하여 누락된 화면을 예측함으로써 달성되며, 이는 효과적인 시간 해상도 향상에 기여한다.

실험 결과

연구 질문

• RQ1 시공간 특징을 동시에 모델링함으로써 깊이 있는 순환 신경망이 심장 촬영용 cine MRI에서 운동 왜곡을 효과적으로 줄일 수 있는가?
• RQ2 제안된 방법이 최신 기술 대비 SSIM 및 PSNR 측면에서 더 높은 영상 품질을 달성할 수 있는가?
• RQ3 네트워크는 고정밀도의 화면 간섭을 수행하여 cine MRI의 시간 해상도를 향상시킬 수 있는가?
• RQ4 다양한 자기공명 영상 스캐너에서 자기장 강도와 촬영 파rameter가 다를 경우에도 이 방법이 내성적인가?
• RQ5 이 방법은 진단 수준의 결과를 제공하는 임상적으로 실현 가능한 ECG가 없는 촬영을 가능하게 할 수 있는가?

주요 결과

• 제안된 방법은 ACDC 및 Cedars-Sinai 임상 데이터셋 양측에서 경쟁 방법들 대비 가장 높은 SSIM 및 PSNR 점수를 기록했다.
• 이중 ConvLSTM 브랜치와 다중 척도 인코딩을 갖춘 네트워크는 단지 공간적 특징 추출을 사용하는 모델들(예: 인코더-디코더, SRGAN, DRRN, RCAN)보다 우수한 성능을 보였다.
• 이 방법은 운동 왜곡을 효과적으로 줄이고, 운동 왜곡된 촬영 시퀀스에서 정확한 심실 형태를 복원하는 데 성공했다.
• 고정밀도의 화면 간섭이 입증되었으며, 누락된 화면을 지능적으로 예측함으로써 시간 해상도 향상이 가능했다.
• 두 대의 서로 다른 MRI 스캐너(자기장 강도, 슬라이스 두께, 공간 해상도가 다름)에서 뛰어난 성능을 보였다.
• 결과는 ECG가 없는 촬영으로도 고화질 영상을 확보할 수 있음을 시사하며, 임상 워크플로우를 단순화하고 촬영 시간을 최대 4배까지 단축시킬 수 있다.