[논문 리뷰] DeepcomplexMRI: Exploiting deep residual network for fast parallel MR imaging with complex convolution

Shanshan Wang, Huitao Cheng외 6명|arXiv (Cornell University)|2019. 06. 11.

Advanced MRI Techniques and Applications참고 문헌 52인용 수 17

한 줄 요약

DeepcomplexMRI는 다중 채널 k-space 데이터를 활용하고 네트워크 레이어 간에 데이터 일관성을 강제하여 병렬 MRI 재구성 속도를 향상시키기 위해 복소수 값의 컨볼루션을 갖는 딥 리미널 컨볼루션 신경망을 제안한다. 복소수 이미지의 실수부와 허수부 간의 상관관계를 모델링하여 생체 내 데이터셋에서 최신 기술을 능가하는 뛰어난 영상 품질을 달성한다.

ABSTRACT

This paper proposes a multi-channel image reconstruction method, named DeepcomplexMRI, to accelerate parallel MR imaging with residual complex convolutional neural network. Different from most existing works which rely on the utilization of the coil sensitivities or prior information of predefined transforms, DeepcomplexMRI takes advantage of the availability of a large number of existing multi-channel groudtruth images and uses them as labeled data to train the deep residual convolutional neural network offline. In particular, a complex convolutional network is proposed to take into account the correlation between the real and imaginary parts of MR images. In addition, the k space data consistency is further enforced repeatedly in between layers of the network. The evaluations on in vivo datasets show that the proposed method has the capability to recover the desired multi-channel images. Its comparison with state-of-the-art method also demonstrates that the proposed method can reconstruct the desired MR images more accurately.

연구 동기 및 목표

• 촬영 시간을 단축시키면서도 영상 품질을 유지하는 병렬 MRI 촬영을 가속화하기 위해.
• 복소수 값의 신경망을 통해 MR 영상의 실수부와 허수부 간의 상관관계를 활용하기 위해.
• 딥 리미널 네트워크 아키텍처 내에서 k-space 데이터 일관성을 강제하여 재구성 정확도를 향상시키기 위해.
• 코ils 감도 지도나 사전 정의된 변환(예: 웨이블릿, 푸리에 변환)에 의존하지 않고 대규모 다중 채널 MR 영상 쌍을 사용하여 딥 러닝 모델을 훈련하기 위해.
• 엔드 투 엔드 훈련 가능한 프레임워크를 통해 빠른 MRI 재구성에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 딥 리미널 네트워크에 복소수 값의 컨볼루션을 적용하여 MR 영상의 실수부와 허수부 간의 공동 관계를 모델링한다.
• 대규모 다중 채널 k-space 데이터 쌍을 감독 레이블로 사용하여 네트워크를 엔드 투 엔드로 훈련한다.
• 재구성된 영상을 k-space 도메인으로 다시 투영함으로써 네트워크 레이어 간에 반복적으로 데이터 일관성을 강제한다.
• 복소수 값의 필터를 사용하여 네트워크 전반에서 위상과 진폭 정보를 유지함으로써 표현의 정밀도를 향상시킨다.
• 복소수 컨볼루션 레이어와 데이터 일관성 레이어를 번갈아가며 적용하여 점진적으로 재구성을 정밀하게 개선한다.
• 코일 감도나 웨이블릿, 푸리에 변환과 같은 변환 도메인에 대한 사전 지식이 필요하지 않다.

실험 결과

연구 질문

• RQ1 복소수 값의 컨볼루션을 갖는 딥 리미널 네트워크는 저속도 k-space 데이터로부터 다중 채널 MR 영상을 효과적으로 재구성할 수 있는가?
• RQ2 네트워크 레이어 내에서 k-space 데이터 일관성을 강제하면 재구성 정확도와 영상 품질에 어떤 영향을 미치는가?
• RQ3 데이터 기반 접근 방식은 코일 감도 지도나 변환 도메인 사전 지식에 의존하는 전통적 방법을 얼마나 능가할 수 있는가?
• RQ4 MR 영상의 실수부와 허수부 간의 상관관계를 모델링하면 실수 값 네트워크보다 더 나은 재구성 성능을 달성할 수 있는가?
• RQ5 정량적 지표와 시각적 품질 측면에서 제안된 방법은 최신 딥 러닝 기법들과 비교해 어떻게 성과를 내는가?

주요 결과

• 제안된 DeepcomplexMRI 방법은 생체 내 MRI 데이터셋에서 최신 기술을 능가하는 더 높은 재구성 정확도를 달성한다.
• 복소수 값의 컨볼루션을 사용함으로써 네트워크 전반에서 위상과 진폭 관계를 유지함으로써 영상 품질이 크게 향상된다.
• 리미널 네트워크 내에서 k-space 데이터 일관성을 반복적으로 강제함으로써 수렴성이 향상되고 잡음이 감소한다.
• 정량적 지표와 시각적 평가에서 실수 값 네트워크보다 우수한 성능을 보이며, 복소수 값 학습의 중요성을 입증한다.
• 재훈련 없이도 다양한 해부학적 영역과 가속도 요인에 대해 잘 일반화된다.
• 코일 감도 지도나 사전 정의된 변환 사전 지식에 의존하지 않고도 대규모 레이블 데이터에 기반하여 뛰어난 성능을 달성한다.