[논문 리뷰] DIMENSION: Dynamic MR Imaging with Both K-space and Spatial Prior Knowledge Obtained via Multi-Supervised Network Training

Shanshan Wang, Ziwen Ke외 5명|arXiv (Cornell University)|2018. 09. 30.

Advanced MRI Techniques and Applications참고 문헌 30인용 수 9

한 줄 요약

이 논문은 다이나믹 MR 영상 복원을 위한 딥러닝 방법인 DIMENSION을 제안한다. 이 방법은 다중 감독 학습을 통해 주파수 도메인과 공간 도메인의 사전 지식을 통합한다. 다중 수준의 감독을 통해 주파수 도메인 및 공간 도메인 네트워크를 동시에 최적화함으로써, 특히 고가속도 요인에서 최신 기술들보다 뛰어난 재구성 정확도와 더 빠른 추론 속도를 달성한다.

ABSTRACT

Dynamic MR image reconstruction from incomplete k-space data has generated great research interest due to its capability in reducing scan time. Nevertheless, the reconstruction problem is still challenging due to its ill-posed nature. Most existing methods either suffer from long iterative reconstruction time or explore limited prior knowledge. This paper proposes a dynamic MR imaging method with both k-space and spatial prior knowledge integrated via multi-supervised network training, dubbed as DIMENSION. Specifically, the DIMENSION architecture consists of a frequential prior network for updating the k-space with its network prediction and a spatial prior network for capturing image structures and details. Furthermore, a multisupervised network training technique is developed to constrain the frequency domain information and reconstruction results at different levels. The comparisons with classical k-t FOCUSS, k-t SLR, L+S and the state-of-the-art CNN-based method on in vivo datasets show our method can achieve improved reconstruction results in shorter time.

연구 동기 및 목표

• 고도로 미리 샘플링된 k-space 데이터로부터 다이나믹 MR 영상을 재구성하는 데 있어 정확도와 속도를 향상시키는 도전 과제를 해결한다.
• 반복적이고 느린 전통적인 압축 감지 방법의 한계를 극복하고, 다중 수준 감독이 없는 단일 감독 딥러닝 모델의 한계를 해결한다.
• 주파수 도메인(k-space)과 이미지 도메인(공간 도메인)에서 유사한 사전 지식을 통합하여 재구성 정밀도를 향상시킨다.
• 다양한 네트워크 수준에서 계층적 감독을 제공하는 다중 감독 학습 전략을 개발하여 일반화 능력과 세부 구조 유지 능력을 향상시킨다.

제안 방법

• 주파수 사전 지식 네트워크를 통해 k-space 데이터를 예측하고 업데이트하고, 공간 사전 지식 네트워크를 통해 이미지 세부 구조를 재구성하는 교차 도메인 네트워크 아키텍처를 설계한다.
• 다중 수준에서 감독을 적용하는 다중 감독 손실 함수 전략을 구현한다: 완전 샘플링된 k-space에 대비하여 예측된 k-space를 제약하는 k-space 손실과, 다양한 단계에서 이미지 재구성을 이끄는 공간 손실.
• 백프로파게이션을 통해 최적화되는 세 가지 손실 항목—k-space 손실, 공간 손실, 그리고 총 변동성 유사 정규화—의 가중 조합을 사용한다.
• 시간적 및 공간적 冗 redundancy를 활용하여, 쌍체의 미리 샘플링된 및 완전 샘플링된 다이나믹 MR 데이터셋을 기반으로 네트워크를 엔드 투 엔드로 훈련한다.
• 적응형 손실 가중치를 사용하는 다단계 훈련 프로토콜을 적용하며, 초모수 β₁, β₂, β₃는 분석을 통해 최적화되어 k-space와 공간 재구성 정밀도를 균형 잡는다.
• 검증 성능을 바탕으로 최적의 구성(β₁=10⁻⁶, β₂=10⁻⁵, β₃=10⁻⁴)을 선정하여 최종 DIMENSION-SLoss1 모델을 도출한다.

실험 결과

연구 질문

• RQ1 k-space와 공간 도메인 사전 지식을 동시에 최적화하는 것이 단일 도메인 방법에 비해 다이나믹 MR 재구성 정확도를 향상시키는가?
• RQ2 계층적 감독을 제공하는 다중 감독 학습이 미세한 이미지 구조 유지 및 앨리어징 아티팩트 감소에 기여하는가?
• RQ3 k-space와 공간 사전 지식을 통합함으로써 반복적 압축 감지 방법에 비해 재구성 속도와 수렴 속도에 어떤 영향을 미치는가?
• RQ4 다이나믹 대조 강화 MRI에서 PSNR, SSIM, MSE 기준으로 k-space와 공간 도메인 손실 항목 간 최적의 균형은 무엇인가?
• RQ5 제안된 방법은 정밀 조정 없이 다양한 가속도 요인과 생체 내 데이터셋에 일반화 가능한가?

주요 결과

• DIMENSION-SLoss1 모델은 테스트 세트에서 PSNR 40.8160 dB, SSIM 0.9918을 기록하여, 제로 필링(PSNR: 23.6684 dB, SSIM: 0.8169) 및 기타 베이스라인 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 모든 비교 방법 중에서 가장 낮은 MSE 0.000083을 기록하여 뛰어난 재구성 정확도를 입증했다.
• DIMENSION-SLoss1 모델은 DIMENSION-SLoss2보다 약간 더 뛰어난 정량적 성능을 보였으며, 더 높은 PSNR와 SSIM를 기록하여 최종 모델로의 선택을 정당화했다.
• 제안된 다중 감독 학습 전략은 앨리어징 아티팩트를 효과적으로 감소시키고, 특히 고가속도 요인에서 미세한 해부학적 세부 구조를 유지하는 데 기여했다.
• k-t FOCUSS 및 k-t SLR와 같은 반복적 방법들보다 더 빠른 추론 시간을 기록했으며, 그 정밀도를 유지하거나 초월했다.
• 분석 연구를 통해 다중 감독 손실 함수와 적응형 가중치(β₁=10⁻⁶, β₂=10⁻⁵, β₃=10⁻⁴)가 모든 지표에서 최고의 종합 성능을 내는 것으로 확인되었다.