[논문 리뷰] Deep Simultaneous Optimisation of Sampling and Reconstruction for Multi-contrast MRI

Xinwen Liu, Jing Wang외 4명|arXiv (Cornell University)|2021. 03. 31.

Medical Image Segmentation Techniques참고 문헌 7인용 수 4

한 줄 요약

이 논문은 다중 대조 MRI에서 k-space 샘플링 패턴과 이미지 복원을 동시에 최적화하는 딥러닝 프레임워크인 AR-net을 제안한다. 이는 한 대조(예: T1WI)의 보완 정보를 활용하여 다른 대조(예: T2WI)의 부분 샘플링과 복원을 향상시킨다. 이 방법은 가속률 최대 10에서 평균 PSNR >35 dB 및 SSIM >0.98를 달성하여 기존의 샘플링 패턴과 단일 대조 방법보다 뛰어난 이미지 품질을 확보한다.

ABSTRACT

MRI images of the same subject in different contrasts contain shared information, such as the anatomical structure. Utilizing the redundant information amongst the contrasts to sub-sample and faithfully reconstruct multi-contrast images could greatly accelerate the imaging speed, improve image quality and shorten scanning protocols. We propose an algorithm that generates the optimised sampling pattern and reconstruction scheme of one contrast (e.g. T2-weighted image) when images with different contrast (e.g. T1-weighted image) have been acquired. The proposed algorithm achieves increased PSNR and SSIM with the resulting optimal sampling pattern compared to other acquisition patterns and single contrast methods.

연구 동기 및 목표

• 공유된 해부학적 정보를 활용하여 다중 대조 영상의 샘플링 패턴과 복원을 동시에 최적화함으로써 MRI 스캔 속도를 향상시키는 것.
• 이전 방법들이 복원에만 초점을 맞추고 최적의 샘플링 패턴 설계를 忽시하는 한계를 해결하는 것.
• 보완적인 대조 정보(예: T1WI)를 활용하여 대상 대조(예: T2WI)의 부분 샘플링을 유도함으로써 이미지 품질을 향상시키고 스캔 시간을 단축시키는 것.
• 최적의 샘플링 마스크와 복원 모델을 통합적으로 학습하는 엔드 투 엔드 딥러닝 프레임워크를 개발하는 것.
• 수집 및 복원의 공동 최적화가 순차적 또는 단일 대조 접근 방식보다 우수한 성능을 낼 수 있음을 입증하는 것.

제안 방법

• 제안된 AR-net는 두 가지 구성 요소를 갖는 통합 네트워크이다: k-space에서 최적의 샘플링 패턴을 학습하는 수집 네트워크와 U-Net 기반의 이미지 복원을 위한 복원 네트워크.
• 수집 네트워크는 기울기가 큰 시그모이드 활성화 함수와 ℓ₁-노름 희소성 제약 조건을 사용하여 이산적 샘플링을 근사화하며, 샘플링할 k-space 위치의 확률 맵을 생성한다.
• 학습된 확률 맵을 임계값 처리함으로써 샘플링 마스크를 도출하며, 이는 샘플링된 위치에 1, 나머지 위치에 0을 갖는 이진 마스크가 된다.
• 복원 네트워크(Recon-net)는 0으로 패딩된 부분 샘플링된 T2WI와 입력층에서 해당하는 T1WI를 연결하여 상호 대조 정보를 활용한다.
• 모델는 평균 절대 오차(MAE) 손실과 학습률 0.0005로 최소화된 복원 오차를 위해 Adam 옵timizer를 사용하여 훈련된다.
• 프레임워크는 BraTS2019 데이터셋의 2D 뇌 MRI 슬라이스에서 훈련되며, [0,1] 범위로 정규화되고, 최대 가속률 10(240개 k-space 선 중 22개)에서 미리 보지 않은 데이터로 테스트된다.

실험 결과

연구 질문

• RQ1 한 MRI 대조(예: T1WI)의 보완 정보를 활용하여 다른 대조(예: T2WI)의 샘플링 패턴 최적화를 향상시킬 수 있는가?
• RQ2 샘플링 패턴과 복원 네트워크의 공동 최적화는 별도로 최적화하거나 기존의 샘플링 패턴을 사용하는 것보다 더 나은 이미지 품질을 낼 수 있는가?
• RQ3 복원 네트워크에 다중 대조 정보를 포함시키면 고가속률에서 성능에 어떤 영향을 미치는가?
• RQ4 제안된 딥러닝 프레임워크는 가속률 최대 10에서 진단 적합성을 유지하면서도 고품질의 이미지 복원을 달성할 수 있는가?
• RQ5 제안된 방법은 표준 샘플링 패턴(예: 중심, 등거리, 가우시안)과 단일 대조 복원 기준 모델에 대해 정량적으로 어떻게 비교되는가?

주요 결과

• 제안된 방법은 가속률 최대 10에서 평균 PSNR가 35 dB 이상, SSIM이 0.98 이상을 달성하여 고품질의 이미지 복원을 입증한다.
• 학습된 샘플링 패턴은 저해상도, 등거리, 가우시안 마스크와 같은 기존 패턴보다 PSNR 및 SSIM 측면에서 뚜렷한 성능 향상을 보인다.
• 복원 과정에서 T1WI를 기준으로 활용함으로써 단일 대조 T2WI 복원보다 성능 향상을 보이며, 고가속률에서도 유사한 결과를 얻는다.
• 제안된 방법의 오차 맵은 아티팩트와 노이즈가 감소한 것으로 나타나, 더 정확한 복원과 더 나은 구조 보존을 의미한다.
• AR-net를 통한 샘플링과 복원의 공동 최적화는 순차적 최적화 또는 별도의 복원 방법보다 뛰어난 결과를 낳는다.
• 이 방법은 미리 보지 않은 데이터에 대해 잘 일반화되며, BraTS2019 데이터셋의 2,165개 슬라이스로 구성된 테스트 세트 전반에서 일관된 성능을 보인다.