[논문 리뷰] Deep De-Aliasing for Fast Compressive Sensing MRI

Simiao Yu, Hao Dong외 9명|arXiv (Cornell University)|2017. 05. 19.

Sparse and Compressive Sensing Techniques참고 문헌 5인용 수 44

한 줄 요약

이 논문은 고도로 저속도로 샘플링된 k-공간 데이터를 복원하기 위해 새로운 보완 학습 절차를 갖춘 조건부 생성 적대적 네트워크(cGAN) 프레임워크를 제안한다. 적대적 손실, 픽셀 단위의 MSE, 그리고 인지적 VGG 손실을 결합함으로써, 이 방법은 양적 평가 지표와 시각적 현실성에서 모두 기존의 CS-MRI 방법을 크게 능가하는 최신 기술 수준의 재구성 품질과 실시간 추론 속도(이미지당 0.22–0.37ms)를 달성한다.

ABSTRACT

Fast Magnetic Resonance Imaging (MRI) is highly in demand for many clinical applications in order to reduce the scanning cost and improve the patient experience. This can also potentially increase the image quality by reducing the motion artefacts and contrast washout. However, once an image field of view and the desired resolution are chosen, the minimum scanning time is normally determined by the requirement of acquiring sufficient raw data to meet the Nyquist-Shannon sampling criteria. Compressive Sensing (CS) theory has been perfectly matched to the MRI scanning sequence design with much less required raw data for the image reconstruction. Inspired by recent advances in deep learning for solving various inverse problems, we propose a conditional Generative Adversarial Networks-based deep learning framework for de-aliasing and reconstructing MRI images from highly undersampled data with great promise to accelerate the data acquisition process. By coupling an innovative content loss with the adversarial loss our de-aliasing results are more realistic. Furthermore, we propose a refinement learning procedure for training the generator network, which can stabilise the training with fast convergence and less parameter tuning. We demonstrate that the proposed framework outperforms state-of-the-art CS-MRI methods, in terms of reconstruction error and perceptual image quality. In addition, our method can reconstruct each image in 0.22ms--0.37ms, which is promising for real-time applications.

연구 동기 및 목표

• 뉴이스트 기준 이하로 k-공간을 샘플링함으로써 발생하는 앨리어싱 아티팩트 문제를 해결하기 위해.
• 고정된 희박화 변환과 반복 최적화에 의존하는 전통적 압축 감지(CS) 방법을 뛰어넘어 재구성 품질을 향상시키기 위해.
• 딥러닝을 활용해 빠른 추론 속도를 제공함으로써 실시간 MRI 재구성 가능성을 확보하기 위해.
• 적대적 학습과 함께 인지적 손실을 통합하여 재구성된 영상의 시각적 질을 향상시키기 위해.
• 생성자에 대한 제안된 보완 학습 절차를 통해 학습 안정성을 높이고 하이퍼파rameter 조정의 필요성을 줄이기 위해.

제안 방법

• 생성자는 저속도로 샘플링된 k-공간 데이터를 입력으로 받아 앨리어징이 제거된 영상을 출력하는 조건부 GAN 아키텍처를 사용한다.
• 픽셀 단위의 평균 제곱 오차(MSE)와 사전 학습된 VGG 네트워크를 활용한 인지적 손실을 조합한 하이브리드 손실 함수를 도입하여 구조적 및 텍스처의 현실감을 향상시킨다.
• 적대적 손실을 통합하여 생성자가 판별자에게 실제 영상과 구분이 가지 않도록 하는 것을 유도한다.
• 학습 안정성 향상, 수렴 속도 향상, 하이퍼파rameter 민감도 감소를 위해 생성자에 대한 보완 학습 절차를 제안한다.
• 학습 및 평가를 위해 1D 및 2D 가우시안 랜덤 샘플링 마스크를 사용하여 고도로 저속도로 샘플링된 k-공간 데이터를 시뮬레이션한다.
• 내용 손실, 적대적 손실, 인지적 손실의 조합을 통해 생성자를 엔드 투 엔드로 훈련하고, 판별자는 실제 영상와 생성된 영상을 구분하도록 훈련한다.

실험 결과

연구 질문

• RQ1 인지적 손실과 적대적 손실을 갖춘 GAN 기반 프레임워크가 기존의 CS-MRI 방법보다 고도로 저속도로 샘플링된 k-공간 데이터로부터 고품질 MRI를 재구성하는 데서 뛰어난 성능을 보일 수 있는가?
• RQ2 제안된 보완 학습 절차는 딥 러닝 기반 MRI 재구성에서 학습 안정성과 수렴 속도에 어떤 영향을 미치는가?
• RQ3 MSE 최적화에 비해 인지적 손실을 통합함으로써 재구성된 MRI 영상의 인지적 품질은 어느 정도 향상되는가?
• RQ4 계산 효율성에 기반해 실시간 추론 속도를 확보할 수 있는가? 즉, 임상 적용에 적합한가?
• RQ5 특히 고가속도 비율(예: 50%)에서 다양한 저속도 수준에 대해 이 방법은 얼마나 강건한가?

주요 결과

• PPGR 모델은 MICCAI 데이터셋에서 모든 테스트 저속도 비율에서 가장 낮은 NMSE와 가장 높은 PSNR를 기록했으며, 2D 가우시안 샘플링을 사용한 50% 저속도에서 NMSE = 0.0385, PSNR = 47.30을 달성했다.
• 20% 2D 저속도에서 PPGR 모델은 PSNR 45.66을 기록하여 ZF(38.91), PG(44.41), PPG(45.66)를 모두 앞서는 양적 평가 지표를 확보했다.
• 시각적 비교 결과, PPG 및 PPGR 방법은 PG에 비해 더 현실적인 텍스처와 더 적은 각지른 아티팩트를 생성했으며, 이는 시각적 우수성을 시사한다. (비록 PG가 약간 더 낮은 NMSE와 PSNR를 기록했지만)
• 모델은 이미지당 0.22–0.37ms 내로 각각 재구성하여 임상 적용에 적합한 실시간 가능성임을 입증했다.
• 보완 학습 절차 덕분에 수렴 속도가 빨라지고 하이퍼파rameter 조정이 줄어들어 학습 안정성이 향상되었다.
• 명시적인 전방 모델에 의존하지 않고도 고도로 저속도로 샘플링된 데이터에 대해 잘 일반화되었으며, 도전적인 재구성 시나리오에서도 강건함을 입증했다.