[논문 리뷰] CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping

Xiaojian Xu, Weijie Gan외 3명|arXiv (Cornell University)|2022. 10. 12.

Advanced MRI Techniques and Applications인용 수 5

한 줄 요약

CoRRECT는 물리적 MRI 모델, 생물물리적 신호 모델, 학습된 사전 지식을 통합하여 운동으로 인한 손상과 가속화된 다중 대trast GRE MRI 데이터를 동시에 재구성하고, 잡음 없는 R2* 지도를 추정하는 딥 언폴딩 프레임워크이다. 실제 실험 데이터에서 고가속도(최대 ×8) 조건에서도 사전에 보정 매개변수를 필요로 하지 않고 운동 및 비균일성 잡음 임의의 억제 성능을 달성하여 최신 기술 수준을 확보한다.

ABSTRACT

Quantitative MRI (qMRI) refers to a class of MRI methods for quantifying the spatial distribution of biological tissue parameters. Traditional qMRI methods usually deal separately with artifacts arising from accelerated data acquisition, involuntary physical motion, and magnetic-field inhomogeneities, leading to suboptimal end-to-end performance. This paper presents CoRRECT, a unified deep unfolding (DU) framework for qMRI consisting of a model-based end-to-end neural network, a method for motion-artifact reduction, and a self-supervised learning scheme. The network is trained to produce R2* maps whose k-space data matches the real data by also accounting for motion and field inhomogeneities. When deployed, CoRRECT only uses the k-space data without any pre-computed parameters for motion or inhomogeneity correction. Our results on experimentally collected multi-Gradient-Recalled Echo (mGRE) MRI data show that CoRRECT recovers motion and inhomogeneity artifact-free R2* maps in highly accelerated acquisition settings. This work opens the door to DU methods that can integrate physical measurement models, biophysical signal models, and learned prior models for high-quality qMRI.

연구 동기 및 목표

• 운동, 자기장 비균일성, 고속 촬영을 별개의 문제로 간주하는 전통적 qMRI 방법의 한계를 해결한다.
• 실제 잡음 조건에서 MRI 재구성과 R2* 추정을 동시에 최적화하는 종단간 딥 러닝 프레임워크를 개발한다.
• k-공간 일관성 기반의 자기지도 학습 기반으로 진정한 R2* 지도가 없는 환경에서도 학습이 가능하도록 한다.
• 물리적 측정 모델, 생물물리적 신호 모델, 학습된 정규화를 통합한 일관된 딥 언폴딩 아키텍처를 구현한다.
• 사전 처리 보정 단계 없이 실제 운동으로 인한 손상과 고가속도 mGRE 데이터에서 뛰어난 성능을 확보한다.

제안 방법

• MRI 재구성과 R2* 추정을 반복 최적화 알고리즘의 단계에 대응하는 깊이 있는 언폴딩 네트워크로 설정하여 데이터 일관성과 사전 모델링 단계를 번갈아 적용한다.
• 모든 레이어가 반복 최적화 알고리즘의 단계에 해당하는 모델 기반 종단간 신경망 아키텍처를 사용한다.
• 학습 중에 운동 및 자기장 비균일성 모델을 전방 연산자에 통합하여 현실적인 잡음 조건을 시뮬레이션한다.
• 진정한 R2* 지도가 필요 없이 예측된 k-공간 데이터와 측정된 k-공간 데이터 간의 일관성을 강제하는 자기지도 학습 손실 함수를 사용한다.
• 실제 운동과 자기장 비균일성을 반영한 시뮬레이션 데이터를 사용하여 학습함으로써 실제 실험 데이터로의 일반화를 가능하게 한다.
• 추론 시에는 오직 원시 k-공간 데이터만을 사용하여 학습된 네트워크를 구동함으로써 사전에 계산된 운동 또는 자기장 지도가 필요 없도록 한다.

실험 결과

연구 질문

• RQ1 통합된 딥 언폴딩 프레임워크는 운동으로 인한 손상과 고속 촬영된 mGRE 데이터를 동시에 재구성하고, 잡음 없는 R2* 지도를 추정할 수 있는가?
• RQ2 진정한 R2* 지도가 없는 조건에서 자기지도 학습 기반의 학습 방식은 얼마나 잘 성능을 발휘하는가?
• RQ3 물리적 및 생물물리적 모델을 통합할 경우 운동 및 자기장 비균일성 잡음에 대한 강건성은 어느 정도 향상되는가?
• RQ4 학습 중에 관찰되지 않은 예측 불가능한 운동 패tern을 가진 실제 실험 데이터로도 일반화가 가능한가?
• RQ5 재구성과 매개변수 추정을 동시에 최적화하는 방식이 이미지 품질과 정확도 측면에서 별도로 처리하는 파ipeline보다 우수한가?

주요 결과

• CoRRECT는 실제 실험 데이터에서 가속도율 최대 ×8 조건에서도 운동 및 자기장 비균일성 잡음을 효과적으로 제거함을 입증하였다.
• 기본 방법인 ZF+NLLS, TV, RED, DU와 비교해 복구된 mGRE 영상과 R2* 지도에서 뛰어난 시각적 품질과 구조 보존 성능을 확보하였다.
• 특히 강한 운동 유도 왜곡이 발생한 영역(확대된 영역 및 파란 화살표 지점)에서 잡음 억제, 선명도, 대trast 강도 측면에서 모든 기준에서 우수한 성능을 보였다.
• 다양한 뇌 단면에서 다른 운동 패턴이 존재하더라도 일관된 성능을 유지하여 다양한 생체 내 운동 손상에 대한 강건성과 일반화 능력을 입증하였다.
• 사전에 계산된 운동 또는 자기장 지도 없이도 부분 촬영된, 노이즈가 심하고 운동으로 인한 손상된 k-공간 데이터로부터 고품질의 R2* 추정을 수행하였다.
• 자기지도 학습 기반의 학습 방식은 진정한 R2* 지도가 없더라도 효과적인 학습을 가능하게 하여 임상 데이터에서 이러한 레이블이 확보되지 않은 환경에도 적용 가능함을 보였다.