[논문 리뷰] Game of Learning Bloch Equation Simulations for MR Fingerprinting

Mingrui Yang, Yun Jiang외 3명|arXiv (Cornell University)|2020. 04. 05.

Numerical methods in inverse problems참고 문헌 20인용 수 11

한 줄 요약

이 논문은 블로흐 방정식 신호를 수정된 생성적 적대 신경망을 통해 학습함으로써 자기공명 분광도 사전 생성을 가속화하는 딥 랜덤 생성 모델인 GAN-MRF를 제안한다. 굵은 MRF 분광도로 훈련된 모델은 밀리초 이내에 정확하고 고해상도의 분광도를 생성하여, 사전 생성 시간을 수 시간에서 밀리초 이하로 단축시킨다. 이는 실시간, 즉각적인 MRF 매핑 및 시퀀스 최적화를 가능하게 하며, 기준 블로흐 시뮬레이션 및 임상 데이터와 강한 일치를 보인다.

ABSTRACT

Purpose: This work proposes a novel approach to efficiently generate MR fingerprints for MR fingerprinting (MRF) problems based on the unsupervised deep learning model generative adversarial networks (GAN). Methods: The GAN model is adopted and modified for better convergence and performance, resulting in an MRF specific model named GAN-MRF. The GAN-MRF model is trained, validated, and tested using different MRF fingerprints simulated from the Bloch equations with certain MRF sequence. The performance and robustness of the model are further tested by using in vivo data collected on a 3 Tesla scanner from a healthy volunteer together with MRF dictionaries with different sizes. T1, T2 maps are generated and compared quantitatively. Results: The validation and testing curves for the GAN-MRF model show no evidence of high bias or high variance problems. The sample MRF fingerprints generated from the trained GAN-MRF model agree well with the benchmark fingerprints simulated from the Bloch equations. The in vivo T1, T2 maps generated from the GAN-MRF fingerprints are in good agreement with those generated from the Bloch simulated fingerprints, showing good performance and robustness of the proposed GAN-MRF model. Moreover, the MRF dictionary generation time is reduced from hours to sub-second for the testing dictionary. Conclusion: The GAN-MRF model enables a fast and accurate generation of the MRF fingerprints. It significantly reduces the MRF dictionary generation process and opens the door for real-time applications and sequence optimization problems.

연구 동기 및 목표

• 블로흐 방정식 시뮬레이션을 사용한 대규모 자기공명 분광도(MRF) 사전 생성에 소요되는 금방 갈 수 없는 계산 시간 문제를 해결하기 위해.
• 다양한 조직 파라미터와 시퀀스 설정에서 정확성을 유지하면서도 빠르고 확장 가능하며 강건한 MRF 분광도 생성 방법을 개발하기 위해.
• 심장 박동 수가 변하는 심장 영상과 같은 동적 상황에서 실시간 임상 적용을 위해 실시간으로 MRF 사전를 생성할 수 있도록 하기 위해.
• 정밀도를 희생시키지 않고 사전 생성을 가속화하여 MRF 패턴 매칭의 메모리 및 계산 오버헤드를 줄이기 위해.
• 빠른 데이터 기반의 시퀀스 파라미터 탐색을 가능하게 하여 MRF 시퀀스 최적화의 새로운 가능성을 열기 위해.

제안 방법

• 수정된 생성적 적대 신경망(GAN)을 사용하여 조직 파라미터(T1, T2)와 시퀀스 파라미터에서 MRF 분광도로의 매핑을 학습함으로써 계산 비용이 큰 블로흐 방정식 시뮬레이션을 대체한다.
• GAN-MRF 모델은 블로흐 시뮬레이션을 통해 생성된 굵은 MRF 사전로 훈련된 후, 더 세밀한 파라미터 격자로 일반화하기 위해 미세조정된다.
• 생성자 네트워크는 학습된 행렬 곱셈과 비선형 활성화 함수를 통해 합성 MRF 분광도를 생성하여 빠른 추론을 가능하게 한다.
• 모델은 3T 뇌 스캔 임상 데이터를 사용하여 평가되며, GAN-MRF 분광도에서 유도된 T1 및 T2 지도와 블로흐 시뮬레이션 분광도에서 유도된 지도를 비교한다.
• 다양한 사전 크기에서 테스트한 결과, 분포 이탈에 대해서도 강건함을 보이며, 새로운 T1/T2 범위로의 외삽도 가능함을 입증했다.
• 이 방법은 확장 가능하며, 복잡한 물리 모델에 대해 추가로 훈련 비용을 줄이기 위해 저랭크 근사 기법(SVD 등)과 조합할 수 있다.

실험 결과

연구 질문

• RQ1 딥 랜덤 생성 모델은 블로흐 방정식으로 시뮬레이션된 MRF 분광도를 정확하게 학습하고 재현할 수 있는가?
• RQ2 GAN-MRF 모델은 훈련 중에 볼 수 없었던 더 세밀한 파라미터 격자와 새로운 조직 파라미터 범위로 일반화할 수 있는가?
• RQ3 GAN-MRF로 생성된 MRF 분광도는 기존 블로흐 시뮬레이션 결과와 비교해 T1 및 T2 지도에서 정량적으로 유사한가?
• RQ4 GAN-MRF 모델은 정확성을 유지하면서도 사전 생성 시간을 수 시간에서 밀리초 이하로 줄일 수 있는가?
• RQ5 모델은 심장 박동 수가 변하는 심장 MRI와 같은 동적 임상 상황에서 실시간으로 MRF 사전 생성을 가능하게 하는가?

주요 결과

• GAN-MRF 모델은 블로흐 방정식으로부터 시뮬레이션된 기준 분광도와 시각적·정량적으로 강한 일치를 보이며 MRF 분광도를 생성한다.
• 검증 및 테스트 곡선은 고편향 또는 고분산이 없음을 나타내어 모델의 강건성과 일반화 능력을 확인한다.
• GAN-MRF 분광도에서 유도된 임상 뇌 영상 데이터 기반 T1 및 T2 지도는 블로흐 시뮬레이션 분광도에서 유도된 결과와 뛰어난 일치를 보이며 임상 정확성을 검증한다.
• 사전 생성 시간이 수 시간에서 밀리초 이하로 단축되어 실시간 및 즉각적인 MRF 분광도 생성이 가능해졌다.
• 모델은 더 세밀한 파라미터 격자와 새로운 T1/T2 범위로의 일반화에 성공하여 훈련 분포를 초월한 외삽 능력을 보였다.
• 이 방법은 확장 가능하며, 저랭크 방법과 조합하여 복잡한 MRF 시퀀스에 대해 추가로 메모리 및 훈련 비용을 줄일 수 있다.