[논문 리뷰] Compressed Sensing MRI Reconstruction with Cyclic Loss in Generative Adversarial Networks.

Tran Minh Quan, Thanh Nguyen-Duc외 1명|arXiv (Cornell University)|2017. 09. 03.

Advanced MRI Techniques and Applications인용 수 20

한 줄 요약

이 논문은 순환 손실과 사슬형 잔차 아키텍처를 갖춘 딥 생성 적대적 네트워크인 RefineGAN을 제안한다. 이는 빠르고 고정밀도로 압축 감쇠 MRI 복원을 위한 것이다. 한 방향 피드포워드 추론과 데이터 일관성 손실을 활용함으로써 RefineGAN은 10% k-space 샘플링 비율에서도 100ms 미만의 복원 시간을 달성하고, 기존 최고 수준의 방법들보다 빠른 속도와 높은 정확도를 확보한다.

ABSTRACT

Compressed Sensing MRI (CS-MRI) has provided theoretical foundations upon which the time-consuming MRI acquisition process can be accelerated. However, it primarily relies on iterative numerical solvers which still hinders their adaptation in time-critical applications. In addition, recent advances in deep neural networks have shown their potential in computer vision and image processing, but their adaptation to MRI reconstruction is still in an early stage. In this paper, we propose a novel deep learning-based generative adversarial model, RefineGAN, for fast and accurate CS-MRI reconstruction. The proposed model is a variant of fully-residual convolutional autoencoder and generative adversarial networks (GANs), specifically designed for CS-MRI formulation; it employs deeper generator and discriminator networks with cyclic data consistency loss for faithful interpolation in the given under-sampled k-space data. In addition, our solution leverages a chained network to further enhance the reconstruction quality. RefineGAN is fast and accurate -- the reconstruction process is extremely rapid, as low as tens of milliseconds for reconstruction of a 256x256 image, because it is one-way deployment on a feed-forward network, and the image quality is superior even for extremely low sampling rate (as low as 10%) due to the data-driven nature of the method. We demonstrate that RefineGAN outperforms the state-of-the-art CS-MRI methods by a large margin in terms of both running time and image quality via evaluation using several open-source MRI databases.

연구 동기 및 목표

• 반복적 해법에 의존하는 전통적인 압축 감쇠 MRI(CS-MRI) 방법의 느린 추론 속도 문제를 해결하기 위해.
• 기존 방법이 실패하는 극도로 낮은 샘플링 비율(예: 10%)에서도 CS-MRI의 이미지 복원 품질을 향상시키기 위해.
• 딥 러닝을 데이터 일관성 제약 조건과 융합하여 부족한 k-space 복원에서 정확도를 향상시키기 위해.
• 시간이 중요한 임상 적용에 적합한 빠른 한 방향 추론 프레임워크를 개발하기 위해.

제안 방법

• MRI 복원을 위한 생성 적대적 네트워크(GANs)와 통합된 완전 잔차 컨볼루션 오토에인코드어인 RefineGAN을 제안한다.
• 특징 표현과 복원 정확도를 향상시키기 위해 더 깊은 생성자 및 판별자 네트워크를 활용한다.
• 재구성된 이미지와 부족한 k-space 데이터 간의 일관성을 강제하기 위해 순환 데이터 일관성 손실을 도입한다.
• 다단계 특징 학습을 통해 점진적으로 이미지 품질을 향상시키기 위해 사슬형 네트워크 아키텍처를 사용한다.
• 매우 빠른 복원(256×256 이미지당 수십 밀리초)을 가능하게 하는 한 방향 피드포워드 추론 메커니즘을 구현한다.
• 딥 러닝의 데이터 기반 성격을 활용해 다양한 MRI 해부학적 구조와 샘플링 패턴에 일반화할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 순환 일관성 손실을 갖춘 GAN 기반 아키텍처가 낮은 샘플링 비율에서의 CS-MRI 복원 정확도를 크게 향상시킬 수 있는가?
• RQ2 RefineGAN의 한 방향 피드포워드 추론은 반복적 해법 대비 속도와 이미지 품질 측면에서 어떻게 비교되는가?
• RQ3 사슬형 잔차 네트워크 아키텍처는 표준 U-Net 또는 오토에인코드어 설계 대비 복원 정확도 향상에 얼마나 기여하는가?
• RQ4 기존 최고 수준의 방법들과 비교해, 제안된 방법이 극도로 낮은 샘플링 비율(예: 10%)에서도 뛰어난 성능을 유지할 수 있는가?

주요 결과

• RefineGAN은 256×256 MRI 이미지에 대해 수십 밀리초 이내의 복원 시간을 달성하여 실시간 임상 적용을 가능하게 한다.
• 이 방법은 이미지 품질과 계산 효율성 측면에서 모두 기존 최고 수준의 CS-MRI 기술을 뛰어넘는다.
• 10% 샘플링 비율에서 RefineGAN은 도전적인 해부학적 영역에서도 뛰어난 구조적 및 질감의 일관성을 유지한다.
• 순환 일관성 손실은 k-space 데이터 일관성을 효과적으로 강제하여 잡음과 기하학적 왜곡을 줄이고 복원 정확도를 향상시킨다.
• 사슬형 네트워크 설계는 특징 정련을 향상시켜 더 나은 시각적 품질과 정량적 이미지 품질을 이끈다.
• 오픈 소스 MRI 데이터베이스를 대상으로 한 실증적 평가 결과, 기존 방법들 대비 여러 지표(예: PSNR, SSIM)에서 일관된 우수성을 입증했다.