[논문 리뷰] Deep MR Fingerprinting with total-variation and low-rank subspace priors

Mohammad Golbabaee, Carolin M. Pirkl외 3명|arXiv (Cornell University)|2019. 05. 16.

Advanced MRI Techniques and Applications인용 수 3

한 줄 요약

이 논문은 깊이 학습 기반의 MR 프로파일링 재구성 방법을 제안하며, 가속화된 반복적 프레임워크에 총변동성(Total-variation)과 저질서 부분공간 사전 정보를 통합하여, 신경망에 입력하기 전에 과도하게 샘플링된 잔상들을 억제한다. 이 방법은 추론 중 사전 자료를 사용하지 않고도 공간적으로 관련된 오염을 줄여 합성 데이터 및 실재 생체 데이터에서 모두 향상된 영상 품질을 달성한다.

ABSTRACT

Deep learning (DL) has recently emerged to address the heavy storage and computation requirements of the baseline dictionary-matching (DM) for Magnetic Resonance Fingerprinting (MRF) reconstruction. Fed with non-iterated back-projected images, the network is unable to fully resolve spatially-correlated corruptions caused from the undersampling artefacts. We propose an accelerated iterative reconstruction to minimize these artefacts before feeding into the network. This is done through a convex regularization that jointly promotes spatio-temporal regularities of the MRF time-series. Except for training, the rest of the parameter estimation pipeline is dictionary-free. We validate the proposed approach on synthetic and in-vivo datasets.

연구 동기 및 목표

• 고용량 저장 및 계산 요구 사항으로 인해 딕셔너리 매칭 기법의 한계를 해결하기 위해.
• 반복되지 않은 백프로젝션 방법에서 영상 품질을 떨어뜨리는 과도한 샘플링으로 인한 공간적으로 관련된 잡음을 줄이기 위해.
• 깊이 학습 추론 이전에 스펙트로-시계열 정규화를 활용한 가속화된 반복적 재구성 방법을 개발하기 위해.
• 학습 후 파rameter 추정 파이프라인에서 사전 자료가 필요 없도록 하여 추론 효율성을 향상시키기 위해.
• 합성 및 실재 생체 데이터에 대한 검증을 통해 방법의 강건성과 임상적 관련성을 입증하기 위해.

제안 방법

• 깊이 학습 추론 이전에 과도한 샘플링 잡음을 최소화하기 위해 가속화된 반복적 재구성 방법을 도입한다.
• MRF 시간 시리즈에서 총변동성과 저질서 부분공간 구조를 동시에 촉진하는 볼록 정규화를 적용한다.
• 동적 MRF 신호의 시공간 정규성은 공간과 시간에서의 공동 희박성으로 강제한다.
• 신경망은 반복적 재구성에서 사전 처리된 영상으로 훈련되어 원시 과도하게 샘플링된 데이터에 직접 노출되지 않도록 한다.
• 학습 후 전체 파rameter 추정 파이프라인은 사전 자료 없이 유지되어 계산 오버헤드가 감소한다.
• 차별 가능한 재구성 모듈을 네트워크 훈련에 통합하여 프레임워크를 종단 간 최적화한다.

실험 결과

연구 질문

• RQ1 총변동성과 저질서 사전 정보를 갖춘 반복적 재구성은 MR 프로파일링에서 공간적으로 관련된 과도한 샘플링 잡음을 효과적으로 억제할 수 있는가?
• RQ2 깊이 학습 이전에 이러한 사전 정보를 통합하면 비반복적 백프로젝션 대비 재구성 품질이 향상되는가?
• RQ3 사전 자료 없이 추론 파이프라인을 유지할 경우 정확도를 유지하면서 계산 비용을 얼마나 줄일 수 있는가?
• RQ4 기본 기반의 딕셔너리 매칭 및 깊이 학습 기반 방법과 비교해 본다면, 제안된 방법은 실재 생체 데이터에서 어떻게 성능을 발휘하는가?
• RQ5 공동 시공간 정규화는 다이나믹 MRF 시간 시리즈에서 신호 일관성을 향상시키고 노이즈를 줄일 수 있는가?

주요 결과

• 제안된 방법은 과도한 샘플링으로 인한 공간적으로 관련된 잡음을 크게 감소시켜 영상 품질 향상에 기여한다.
• 총변동성과 저질서 사전 정보의 통합은 재구성된 MRF 시간 시리즈의 시공간 일관성을 향상시킨다.
• 반복적으로 사전 처리된 데이터를 입력으로 받는 네트워크는 비반복적 백프로젝션 대비 더 높은 재구성 정밀도를 달성한다.
• 사전 자료가 없는 파rameter 추정을 가능하게 하여 추론 복잡도와 저장 요구 사항을 감소시킨다.
• 실재 생체 데이터에 대한 검증을 통해 방법의 강건성과 임상적 관련성이 확인된다.
• 가속화된 반복적 프레임워크는 재구성 정확도와 계산 효율성 사이에 효과적으로 균형을 이룬다.