[논문 리뷰] Data consistency networks for (calibration-less) accelerated parallel MR image reconstruction

Jo Schlemper, Jinming Duan외 5명|arXiv (Cornell University)|2019. 09. 25.

Medical Imaging Techniques and Applications인용 수 5

한 줄 요약

이 논문은 가속화된 병렬 MRI 재구성에 대해 데이터 일致성 레이어를 통합한 딥 캐스케이드 CNN의 확장으로, D-POCSENSE와 DC-CNN라는 두 가지 딥 러닝 기반 MRI 재구성 네트워크를 제안한다. D-POCSENSE는 이미지 품질 향상을 위해 코일 감도 맵을 사용하는 반면, DC-CNN는 校정이 불필요하며 다중 코일 데이터를 동시에 처리하며, 4와 6의 가속도 요인에서 공개된 무릎 데이터셋에서 PSNR 및 SSIM 측면에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

We present simple reconstruction networks for multi-coil data by extending deep cascade of CNN's and exploiting the data consistency layer. In particular, we propose two variants, where one is inspired by POCSENSE and the other is calibration-less. We show that the proposed approaches are competitive relative to the state of the art both quantitatively and qualitatively.

연구 동기 및 목표

• 교정에 의존하는 방법을 피하면서 병렬 MRI 재구성을 가속화하는 데 도전하는 것.
• 데이터 일치 제약 조건을 갖춘 딥 러닝을 통해 과도하게 미리 샘플링된 k-공간 데이터에서 이미지 품질을 향상시키는 것.
• 기존 감도 기반 방법(예: POCSENSE)의 교정 불필요한 대안을 개발하여 임상적 실용성을 높이는 것.
• Variational Network 및 ℓ₁-SPIRiT와 같은 최신 기술 수준의 방법들과 경쟁 가능한 성능을 달성하는 것.
• 다양한 촬영 프로토콜(T2, PD, 지방 억제)과 가속도 요인(4, 6)에 걸쳐 일반화 능력을 입증하는 것.

제안 방법

• 딥 캐스케이드 CNN(DC-CNN)를 확장하여 노이즈 제거 서브넷과 데이터 일치 레이어를 번갈아가며 k-공간 업데이트를 수행한다.
• D-POCSENSE 제안: 감도 가중 재결합 이미지 입력을 사용하고, 훈련 가능한 λ 균형 항목을 통해 코일별 k-공간 업데이트를 통한 데이터 일치를 적용한다.
• DC-CNN 구현: 채널 축에 따라 모든 코일 이미지를 스택하여 동시에 처리하고, 각 코일별로 독립적으로 데이터 일치를 적용한다.
• 노이즈 수준에 적응하기 위해 데이터 일치 레이어에 훈련 가능한 λ를 사용하여 강건성을 향상시킨다.
• D-POCSENSE는 ℓ₂ 손실, DC-CNN는 가중 ℓ₂ 손실을 사용하고 Adam 옵timizer를 200 에포크 동안 훈련한다.
• 24개의 중심 선을 교정 영역으로 설정하고, AF=4 및 6에서 직선형(카르테시안) 미리 샘플링을 적용한다.

실험 결과

연구 질문

• RQ1 딥 캐스케이드에 데이터 일치 레이어를 통합하면 기존 최신 기술 수준의 방법보다 가속화된 병렬 MRI 재구성에서 더 나은 성능을 낼 수 있는가?
• RQ2 네트워크 아키텍처에 코일 감도 맵을 통합한 D-POCSENSE는 교정이 불필요한 접근 방식(DC-CNN)보다 더 나은 재구성 품질을 제공하는가?
• RQ3 교정이 불필요한 방법(DC-CNN)이 감도 맵이나 교정 데이터 없이도 경쟁 가능한 성능을 달성할 수 있는가?
• RQ4 다양한 MRI 프로토콜과 가속도 요인에서 제안된 방법들이 PSNR 및 SSIM 측면에서 어떻게 비교되는가?
• RQ5 더 긴 훈련 시간이 D-POCSENSE와 DC-CNN의 성능, 특히 잔류 앨리어징을 줄이는 데 기여하는가?

주요 결과

• AF=4에서 Axial T2 FS에서 D-POCSENSE는 PSNR 36.03 ± 10.26과 SSIM 0.90 ± 0.24를 기록하여 ℓ₁-SPIRiT를 초월하고 Variational Network와 유사한 성능을 보였다.
• AF=6에서 Axial T2 FS에서 D-POCSENSE는 PSNR 31.83 ± 8.79와 SSIM 0.87 ± 0.25를 기록하여 ℓ₁-SPIRiT를 초월하고 VN과 유사한 결과를 보였다.
• DC-CNN는 Axial T2 FS에서 AF=4에서 PSNR 35.45 ± 8.63과 SSIM 0.91 ± 0.19를 기록하여 교정이 불필요한 점을 감안할 때 뛰어난 성능을 보였다.
• Coronal PD에서 D-POCSENSE는 AF=4에서 PSNR 36.94 ± 1.24와 SSIM 0.98 ± 0.00을 기록하여 Variational Network와 동일한 성능을 달성했다.
• AF=6에서 Variational Network는 Axial T2 FS에서 최고의 PSNR(32.39 ± 9.94)를 기록했지만, D-POCSENSE와 DC-CNN는 변동성이 더 낮아 경쟁력 있는 성능 유지를 보였다.
• 시각적 결과에서는 D-POCSENSE가 가장 균일한 이미지를 생성했고, 앨리어징이 적었으며, DC-CNN와 VN은 AF=6에서 잔류 아티팩트를 보였다.