[논문 리뷰] Deep Learning for Retrospective Motion Correction in MRI: A Comprehensive Review

Veronika Spieker, Hannah Eichhorn외 5명|arXiv (Cornell University)|2023. 05. 11.

Advanced MRI Techniques and Applications인용 수 8

한 줄 요약

MRI에서 학습 기반 회고적 모션 보정(MoCo) 방법에 대한 포괄적 고찰로, 데이터 사용, 아키텍처, 학습, 평가 및 향후 방향을 상세히 다룬다.

ABSTRACT

Motion represents one of the major challenges in magnetic resonance imaging (MRI). Since the MR signal is acquired in frequency space, any motion of the imaged object leads to complex artefacts in the reconstructed image in addition to other MR imaging artefacts. Deep learning has been frequently proposed for motion correction at several stages of the reconstruction process. The wide range of MR acquisition sequences, anatomies and pathologies of interest, and motion patterns (rigid vs. deformable and random vs. regular) makes a comprehensive solution unlikely. To facilitate the transfer of ideas between different applications, this review provides a detailed overview of proposed methods for learning-based motion correction in MRI together with their common challenges and potentials. This review identifies differences and synergies in underlying data usage, architectures, training and evaluation strategies. We critically discuss general trends and outline future directions, with the aim to enhance interaction between different application areas and research fields.

연구 동기 및 목표

• MRI의 모션 아티팩트와 기존의 전통적 MoCo 접근법을 요약한다.
• 영상 기반(image-based) 및 k-공간 기반(k-space-based) 전략 전반에 걸친 학습 기반 MoCo 방법을 체계적으로 검토한다.
• 데이터 가용성, 모션 시뮬레이션, 학습 목표 및 현장에서 사용되는 평가 지표를 분석한다.
• 교차 분야 협업을 촉진하기 위한 차이점, 시너지, 과제 및 향후 방향을 식별한다.

제안 방법

• MoCo 방법을 영상 기반(image-based) 및 k-공간 기반(k-space-based) 아키텍처로 분류한다.
• 전통적-학습 하이브리드 및 순수 학습 기반 재구성 프레임워크를 논의한다.
• 복셀 단위(voxel-wise), 이미지 도메인(image-domain) 손실, 그리고 k-공간 손실을 포함한 학습 목표와 더불어 적대적(adversarial) 및 자기지도(self-supervised) 접근법을 설명한다.
• 뇌, 심장, 복부 MRI에 대한 모션 시뮬레이션 전략을 감독 학습이 가능하도록 개요한다.
• 전체 참조(full-reference) 및 참조-free 이미지 품질 지표를 포함한 평가 지표와 모션 탐지/추정 지표를 요약한다.

실험 결과

연구 질문

• RQ1 MRI에서 회고적 MoCo를 위한 주요 학습 기반 전략은 무엇인가(영상 기반과 k-공간 기반)?
• RQ2 MoCo 방법과 해부학에 따라 데이터 활용, 학습 목표 및 평가 방식이 어떻게 다른가?
• RQ3 재구성과 모션 보정 방법 전반에서 공통적인 과제와 잠재적 시너지는 무엇인가?
• RQ4 모션이 어떻게 시뮬레이션되며 이것이 학습 및 평가에 어떤 영향을 미치는가?
• RQ5 이 분야에서 ML과 MRI 커뮤니티 간의 상호 작용을 촉진할 방향은 무엇인가?

주요 결과

• 영상 기반(image-based), k-공간 기반(k-space-based), 학습 구성요소가 포함된 하이브리드 모델 기반, 그리고 순수 학습 기반 엔드-투-엔드 재구성 등 광범위한 아키텍처가 있다.
• 대부분의 방법이 모션이 손상된 데이터와 모션이 없는 데이터의 짝을 이용한 지도 학습에 의존하지만, 데이터 페어가 제한적이므로 모션 시뮬레이션이 일반적으로 사용된다.
• 학습 목표는 L1/L2, SSIM, 지각적 손실 및 적대적 손실을 포함하며, 비쌍 데이터 처리를 위해 자기지도(self-supervised) 및 순환 일관성(CycleGAN) 접근법이 사용된다.
• 평가는 전체 참조 및 참조 자유 이미지 품질 지표(예: SSIM, PSNR, MSE, SNR, CNR, Tenengrad)를 결합하고 모션 탐지/추정 지표 및 다운스트림 작업 성능을 포함할 수 있다.
• 회고적 MoCo는 재구성과의 통합(언롤 네트워크, DC 블록, 모션 추정) 및 분할과 같은 하위 작업과의 연계에 활용될 수 있으며, 교차 작업 간 이점을 강조한다.
• 본 고는 데이터 사용, 아키텍처, 학습 및 평가의 차이점과 시너지를 강조하며 ML과 MRI 커뮤니티 간의 더 강한 상호 작용을 촉구한다.