[논문 리뷰] Data Consistent Deep Rigid MRI Motion Correction

Nalini Singh, Neel Dey외 6명|PubMed|2023. 01. 25.

Advanced MRI Techniques and Applications참고 문헌 27인용 수 11

한 줄 요약

모션 매개변수 의존 재구성 네트워크를 학습하여 데이터-일치된 모션 보정 MRI 이미지를 생성하고, 테스트 시 모션 매개변수만 최적화합니다.

ABSTRACT

Motion artifacts are a pervasive problem in MRI, leading to misdiagnosis or mischaracterization in population-level imaging studies. Current retrospective rigid intra-slice motion correction techniques jointly optimize estimates of the image and the motion parameters. In this paper, we use a deep network to reduce the joint image-motion parameter search to a search over rigid motion parameters alone. Our network produces a reconstruction as a function of two inputs: corrupted k-space data and motion parameters. We train the network using simulated, motion-corrupted k-space data generated with known motion parameters. At test-time, we estimate unknown motion parameters by minimizing a data consistency loss between the motion parameters, the network-based image reconstruction given those parameters, and the acquired measurements. Intra-slice motion correction experiments on simulated and realistic 2D fast spin echo brain MRI achieve high reconstruction fidelity while providing the benefits of explicit data consistency optimization. Our code is publicly available at https://www.github.com/nalinimsingh/neuroMoCo.

연구 동기 및 목표

• 뇌 MRI에서 모션 아티팩트를 동기 부여하고 해결합니다. 특히 다샷 수집에서의 슬라이스 내 모션(intra-slice motion)을 특히 다룹니다.
• 이미지-모션의 결합 최적화를 피하는 회고적(retrospective) 모션 보정 방법을 개발합니다.
• 모션 매개변수를 이미지 재구성으로 매핑하는 하이퍼네트워크 기반 재구성을 도입합니다.
• 데이터 일치 모니터링과 함께 테스트 시 모션 매개변수에 대한 최적화를 가능하게 하여 실패를 탐지합니다.

제안 방법

• 전방 모델: y = A(m)x + ε 이고 A(m)는 샷 간 모션 m에 따라 변합니다.
• 손상된 k-공간 데이터와 모션 매개변수를 재구성으로 매핑하도록 f(y, m; θ)를 학습하고, 알려진 모션이 있는 시뮬레이션 데이터(simulated data)를 사용합니다.
• 하이퍼네트워크 h(·; θh)를 사용하여 모션 m에 조건부로 재구성 네트워크 가중치 θg(m)을 생성합니다.
• 시뮬레이션 데이터에서 재구성 손실 L을 최소화하여 학습합니다. 예: negative SSIM.
• 테스트 시 θh를 고정하고 모션 m을 최적화하여 ||y − A(m) f(y, m; θ*)||²를 최소화하여 재구성 f(y, m̂; θ*)를 얻습니다.
• 데이터 일치 손실을 모니터링하여 품질이 좋지 않은 재구성을 거부합니다.

실험 결과

연구 질문

• RQ1 신경망이 모션 매개변수 의존 재구성을 학습하여 이미지-모션 매개변수의 결합 최적화를 모션 매개변수로의 최적화만으로 축소할 수 있습니까?
• RQ2 데이터 일치를 갖춘 모션 매개변수에 대한 테스트 시 최적화가 다샷 MRI에서 획득된 k-공간 측정값과 일치하는 재구성을 산출합니까?
• RQ3 이 방법이 시뮬레이션 데이터에서 실제 획득된 k-공간 데이터로 일반화되는 정도는 어떻습니까?
• RQ4 데이터 일치를 기반으로 자동 거부 기준이 실패한 재구성을 식별할 수 있습니까?

주요 결과

• 이 방법은 샷 간 모션이 있는 시뮬레이션 데이터에서 획득된 측정값과 일치하는 재구성을 제공합니다.
• 재구성은 더 선명하고 모션-정보를 활용한 기준선과 비교해 품질이 더 우수합니다.
• 고에너지 샷에서 모션 매개변수 추정이 정확하며 자동 거부가 최적화 실패를 식별합니다.
• 이 방법은 시뮬레이션 데이터로 학습하였음에도 현실적으로 획득된 k-공간 예제에 일반화합니다.