[논문 리뷰] Deep artifact learning for compressed sensing and parallel MRI

Dongwook Lee, Jae Jun Yoo외 1명|arXiv (Cornell University)|2017. 03. 03.

Advanced MRI Techniques and Applications참고 문헌 22인용 수 19

한 줄 요약

이 논문은 고도로 미리 샘플링된 k-공간 데이터로부터 깊이 학습 기반 방법을 제안하여 일관된 앨리어싱 아티팩트를 직접 학습하고 제거함으로써 빠르고 정확한 MRI 재구성에 도전한다. 큰 수신장치를 가진 다중 척도 U-Net을 사용하여, 압축된 데이터에서 재구성된 크기 및 위상 이미지로부터 아티팩트를 추정함으로써 최신 기술 수준의 영상 품질과 재구성 속도를 달성한다—기존의 압축 감지 방법보다 최대 한 단계 빠른 속도이다.

ABSTRACT

Purpose: Compressed sensing MRI (CS-MRI) from single and parallel coils is one of the powerful ways to reduce the scan time of MR imaging with performance guarantee. However, the computational costs are usually expensive. This paper aims to propose a computationally fast and accurate deep learning algorithm for the reconstruction of MR images from highly down-sampled k-space data. Theory: Based on the topological analysis, we show that the data manifold of the aliasing artifact is easier to learn from a uniform subsampling pattern with additional low-frequency k-space data. Thus, we develop deep aliasing artifact learning networks for the magnitude and phase images to estimate and remove the aliasing artifacts from highly accelerated MR acquisition. Methods: The aliasing artifacts are directly estimated from the distorted magnitude and phase images reconstructed from subsampled k-space data so that we can get an aliasing-free images by subtracting the estimated aliasing artifact from corrupted inputs. Moreover, to deal with the globally distributed aliasing artifact, we develop a multi-scale deep neural network with a large receptive field. Results: The experimental results confirm that the proposed deep artifact learning network effectively estimates and removes the aliasing artifacts. Compared to existing CS methods from single and multi-coli data, the proposed network shows minimal errors by removing the coherent aliasing artifacts. Furthermore, the computational time is by order of magnitude faster. Conclusion: As the proposed deep artifact learning network immediately generates accurate reconstruction, it has great potential for clinical applications.

연구 동기 및 목표

• 기존의 압축 감지 MRI(CS-MRI) 및 병렬 영상(pMRI) 재구성 방법의 높은 계산 비용을 해결한다.
• 특히 균일한 샘플링 패턴에서 일관된 앨리어싱 아티팩트를 제거하는 데에 한계를 보이는 기존의 CS-MRI 접근법의 한계를 극복한다.
• 아티팩트가 없는 영상을 학습하는 대신 아티팩트 패턴을 직접 학습하는 딥 러닝 프레임워크를 개발하여, 아티팩트 다양체의 위상적 단순성을 활용한다.
• 반복적 CS 방법에 비해 재구성 시간을 크게 단축시켜 실시간 임상 MRI 재구성을 가능하게 한다.
• 특히 위상 이미지 재구성에서 아티팩트가 전역적으로 분포하는 경우에, 단일 코ils 및 다중 코ils MRI 데이터에서 모두 성능을 향상시킨다.

제안 방법

• 압축된 k-공간 데이터로부터 재구성된 크기 및 위상 이미지로부터 직접 앨리어싱 아티팩트를 추정하는 딥 아티팩트 학습 프레임워크를 제안한다.
• 전체 256×256 입력 이미지에 걸쳐 완전한 수신장치를 갖춘 다중 척도 U-Net 아키텍처를 사용하여, 확장된 컨볼루션과 풀링 레이어를 통해 큰 수신장치를 확보한다.
• 네트워크를 종단 간(end-to-end)으로 훈련시켜 손상된 입력으로부터 앨리어싱 아티팩트를 예측하고, 이를 빼내어 아티팩트 없는 영상을 복원한다.
• 아티팩트의 데이터 다양체를 단순화하기 위해 추가적인 저주파 ACS(Autocalibration Signals) 선을 통합하여 학습 가능성을 향상시킨다.
• 크기 및 위상 성분에 대해 별도로 네트워크를 적용하여, 크기의 경우 局부적, 위상의 경우 전역적인 아티팩트 분포를 효과적으로 처리한다.
• 위상적 데이터 분석(persistent homology)을 활용하여, ACS 선이 포함된 균일한 샘플링이 아티팩트 다양체를 더 단순하고 규칙적으로 만들어 딥 뉴럴 네트워크의 학습에 유리하다는 점을 정당화한다.

실험 결과

연구 질문

• RQ1 기존의 CS 방법이 실패하는 상황에서도 딥 러닝이 일관된 앨리어싱 아티팩트를 효과적으로 추정하고 제거할 수 있는가?
• RQ2 ACS 선이 포함된 균일한 샘플링에서 아티팩트 다양체의 위상적 단순성이 딥 뉴럴 네트워크의 학습 가능성에 기여하는가?
• RQ3 큰 수신장치를 가진 다중 척도 네트워크 아키텍처가 전역적으로 분포한 앨리어싱 아티팩트를 재구성하는 데에 단일 척도 네트워크와 비교해 어떤가?
• RQ4 제안된 방법이 기존의 반복적 CS-MRI 방법보다 높은 재구성 정확도와 극적으로 빠른 계산 속도를 동시에 달성할 수 있는가?
• RQ5 딥 아티팩트 학습 접근법은 단일 코일 및 다중 코일 MRI 데이터 모두에서 효과적이며, 특히 아티팩트가 공간적으로 일관된 위상 재구성에서 성능이 뛰어나게 되는가?

주요 결과

• 제안된 딥 아티팩트 학습 네트워크는 효과적인 일관된 앨리어싱 아티팩트 제거를 통해 최소한의 재구성 오차를 기록하여, 기존의 CS 및 병렬 영상 방법을 능가했다.
• 입력 이미지 전체를 커버하는 큰 수신장치를 가진 다중 척도 U-Net은 특히 아티팩트가 전역적으로 분포하는 위상 재구성에서 뛰어난 성능을 보였다.
• 단일 척도 네트워크는 전역적 아티팩트 패턴을 포착하지 못해 더 높은 오차를 보였으며, 특히 위상 영상에서 뚜렷한 오차 증가가 있었고, 다중 척도 네트워크는 상당히 낮은 오차율을 달성했다.
• 기존의 반복적 CS-MRI 방법에 비해 재구성 시간이 한 단계 빨라져 실시간 임상 적용이 가능해졌다.
• 샘플링 패턴에 ACS 선을 포함시킴으로써 아티팩트 다양체의 데이터 다양체가 단순화되어 학습이 용이해졌고, 전체 네트워크 성능이 향상되었다.
• 이 방법은 단일 코일 및 다중 코일 MRI 데이터 모두에 대해 강력한 일반화 성능을 보였으며, 강한 가속 요인 조건에서도 높은 정확도를 유지했다.