[논문 리뷰] Deep Learning Methods for Parallel Magnetic Resonance Image Reconstruction

Florian Knöll, Kerstin Hammernik외 5명|arXiv (Cornell University)|2019. 04. 01.

Advanced MRI Techniques and Applications참고 문헌 75인용 수 37

한 줄 요약

이 논문은 딥 러닝과 신경망이 병렬 MRI 재구성에 어떻게 적용되는지 다루며, 이미지 도메인 및 k-공간 접근 방식에 중점을 두고 다중 코일 데이터와 학습된 규칙화/ undersampling artifacts의 탐색.

ABSTRACT

Following the success of deep learning in a wide range of applications, neural network-based machine learning techniques have received interest as a means of accelerating magnetic resonance imaging (MRI). A number of ideas inspired by deep learning techniques from computer vision and image processing have been successfully applied to non-linear image reconstruction in the spirit of compressed sensing for both low dose computed tomography and accelerated MRI. The additional integration of multi-coil information to recover missing k-space lines in the MRI reconstruction process, is still studied less frequently, even though it is the de-facto standard for currently used accelerated MR acquisitions. This manuscript provides an overview of the recent machine learning approaches that have been proposed specifically for improving parallel imaging. A general background introduction to parallel MRI is given that is structured around the classical view of image space and k-space based methods. Both linear and non-linear methods are covered, followed by a discussion of recent efforts to further improve parallel imaging using machine learning, and specifically using artificial neural networks. Image-domain based techniques that introduce improved regularizers are covered as well as k-space based methods, where the focus is on better interpolation strategies using neural networks. Issues and open problems are discussed as well as recent efforts for producing open datasets and benchmarks for the community.

연구 동기 및 목표

• 다중 코일 병렬 MRI의 기초와 재구성 도전과제를 설명한다.
• 선형 및 비선형 전통적 방법(SENSE, GRAPPA, SPIRiT)과 undersampling에서의 한계를 고찰한다.
• 이미지 도메인 및 k-공간 병렬 MRI 재구성을 위한 머신 러닝 프레임워크를 소개하고 평가한다.
• ML 주도 병렬 영상 처리를 촉진하기 위한 미해결 문제, 데이터 세트 및 벤치마크를 강조한다.

제안 방법

• 병렬 MRI 재구성의 이미지 도메인 대 k-공간 형식을 논의한다.
• 비선형 규칙화와 압축 센싱을 ML 기반 방법의 기초로 설명한다.
• 신경망에서 영감을 얻은 언롤된 반복 스킴을 이미지 도메인 재구성에 제시한다(variational networks, learned regularizers).
• 스캔별 및 데이터베이스 기반 k-공간 보간 방법(RAKI, DeepSPIRiT 등)을 설명한다.
• 저랭크/행켈 기반 및 커널 기반 학습 접근법(SAKE, LORAKS, ALOHA 등)을 요약한다.

실험 결과

연구 질문

• RQ1 고전적 규칙화 방법을 넘어 병렬 MRI 재구성을 향상시킬 수 있는 어떤 머신 러닝 전략이 있는가?
• RQ2 이미지 도메인과 k-공간 ML 접근법이 undersampling 및 코일 데이터 처리에서 어떻게 비교되는가?
• RQ3 다양한 샘플링 방식에서 학습된 모델이 CG-SENSE/GRAPPA와 비슷하거나 더 나은 품질의 아티팩트 억제성을 달성할 수 있는가?
• RQ4 ML 기반 병렬 영상 처리의 실용적 고려사항(데이터 요구사항, 보정, 계산 등)은 무엇인가?
• RQ5 병렬 MRI에서 ML 방법을 평가하기 위한 공개 데이터 세트와 벤치마크가 어떤 것이 있는가?

주요 결과

• ML 기반 이미지 도메인 재구성은 아티팩트 억제 및 특징 보존에서 전통적 CG-SENSE 및 TGV 기반 방법을 능가할 수 있다(보고된 비교에서 더 높은 SSIM).
• k-공간 학습 보간 방법(예: RAKI, DeepSPIRiT)은 GRAPPA/SPIRiT에 비해 노이즈 증폭을 감소시키지만, 스캔별 보정은 트레이드오프를 도입한다.
• 언롤된 신경망은 고전적 반복 재구성을 반영하여 데이터 충실도와 학습된 규칙화를 활용한 엔드투엔드 학습을 가능하게 한다.
• 데이터베이스 학습 CNN 및 스캔별 CNN은 전체 보정 데이터 없이도 누락된 k-공간 선들을 보간할 수 있어 다양한 취득에 유연하게 대응한다.
• 학습 기반 방법은 다중 코일 데이터를 활용해 재구성 품질을 향상시키고 학습 후 추론을 더 빠르게 수행할 수 있다.