[논문 리뷰] fastMRI: An Open Dataset and Benchmarks for Accelerated MRI

Jure Žbontar, Florian Knöll외 25명|arXiv (Cornell University)|2018. 11. 21.

Advanced MRI Techniques and Applications참고 문헌 56인용 수 572

한 줄 요약

이 논문은 대규모의 원시 멀티코일 k-공간 측정 및 해당하는 기준 ground-truth 이미지를 포함한 fastMRI 데이터셋을 도입하여 가속화된 MRI를 위한 기계학습 재구성 방법을 평가하기 위한 표준화된 평가 기준을 제시한다.

ABSTRACT

Accelerating Magnetic Resonance Imaging (MRI) by taking fewer measurements has the potential to reduce medical costs, minimize stress to patients and make MRI possible in applications where it is currently prohibitively slow or expensive. We introduce the fastMRI dataset, a large-scale collection of both raw MR measurements and clinical MR images, that can be used for training and evaluation of machine-learning approaches to MR image reconstruction. By introducing standardized evaluation criteria and a freely-accessible dataset, our goal is to help the community make rapid advances in the state of the art for MR image reconstruction. We also provide a self-contained introduction to MRI for machine learning researchers with no medical imaging background.

연구 동기 및 목표

• 원격 MR 측정값과 임상 이미지를 공 공개 대규모 데이터셋으로 제공하여 ML 기반 MR 재구성 연구를 가속화한다.
• 재구성 접근 방식 간의 공정한 비교를 가능하게 하는 표준화된 평가 기준과 기준선을 확립한다.
• 단일 코일 및 다중 코일 작업과 ground-truth 참조를 도입하여 모델 개발 및 평가를 안내한다.
• ML 연구자들을 위한 MRI 개념에 대한 입문 자원을 제공한다.
• 오픈 데이터와 벤치마크를 통해 가속화 MRI 분야의 최신 연구를 선도하는 커뮤니티를 지원한다.

제안 방법

• 원시 멀티-코일 k-공간 측정 데이터 8344 부피(167,375 슬라이스)와 20,000개의 무릎 및 뇌 DICOM 이미지를 포함하는 대규모 데이터셋을 공개한다.
• 두 가지 재구성 작업을 정의한다: 단일 코일 데이터에서 Ground-truth를 근사하는 단일 코일 재구성, 및 undersampled 다중 코일 데이터에서의 다중 코일 재구성.
• 평가를 위해 루트-합 제곱(RSS) 재구성과 잘린 중심 영역을 통한 기준 참조를 제공한다.
• 재구성 품질 평가를 위한 표준화된 평가 지표(NMSE, PSNR, SSIM, L1)를 도입하고 각 지표의 장단점을 논의한다.
• 임상적으로 관련된 가속을 시뮬레이션하기 위해 무작위 knee와 등거리 brain의 언더샘플링 방식과 4x 또는 8x의 가속 인자를 설명한다.

실험 결과

연구 질문

• RQ1 단일 코일 및 다중 코일 구성에서 undersampled k-공간 데이터로부터 MR 이미지를 기계학습 모델이 얼마나 잘 재구성할 수 있는가?
• RQ2 가속화된 MRI의 재구성 품질을 가장 잘 포착하는 평가 지표는 무엇이며, 고전적 기준선과 학습 기반 방법 간의 비교는 어떠한가?
• RQ3 데이터 다양성(무릎 대 뇌, 가변 스캐너 강도)이 재구성 성능과 일반화에 어떤 영향을 미치는가?
• RQ4 기준 RSS와 ESC의 차이가 ML 재구성 방법의 벤치마크에서 어떤 역할을 하는가?

주요 결과

• 데이터셋은 8344 부피(167,375 슬라이스)의 원시 멀티-코일 k-공간 데이터와 20,000개의 무릎/뇌 DICOM 이미지를 포함하여 MR 재구성에서 대규모 ML 연구를 가능하게 한다.
• 단일 코일 및 다중 코일 저샘플링 데이터에 대한 두 가지 재구성 작업과 해당하는 ground-truth 참조 및 학습/검증/테스트 분할을 지원한다.
• 기준 참조 이미지는 RSS 재구성 및 잘린 중앙 영역을 통해 생성되며, DICOM 데이터는 더 넓은 스캐너 변동성과 후처리 차이를 반영한다.
• 4x 또는 8x 가속을 포함하는 회고적 언더샘플링으로 중앙 완전 샘플링 영역과 가변 남은 k-공간 커버리지를 통해 CS 스타일 벤치마크를 촉진한다.
• NMSE, PSNR, SSIM 및 L1을 평가 지표로 다루고 각 지표가 재구성 품질에 제공하는 한계와 보완적 통찰을 논의한다.
• Baseline 방법으로 고전적인 TV 기반 재구성과 UNET과 같은 기본적인 딥러닝 모델을 포함하여 향후 개선을 위한 기준점을 제시한다.