[논문 리뷰] GRAPPA-GANs for Parallel MRI Reconstruction

Nader Tavaf, Amirsina Torfi외 2명|arXiv (Cornell University)|2021. 01. 05.

Advanced MRI Techniques and Applications참고 문헌 28인용 수 9

한 줄 요약

이 논문은 GeneRalized Autocalibrating Partial Parallel Acquisition (GRAPSA)와 조건부 생성 적대 신경망(GAN)을 결합한 하이브리드 딥 러닝 프레임워크인 GRAPSA-GANs를 제안한다. 이는 가속화된 병렬 MRI 재구성의 정확도를 향상시키기 위해 개발되었다. 데이터 일관성, 지각적 특징 손실, 그리고 적대적 훈련을 통합함으로써 이론적 병렬화와 잡음이 감소하였으며, R=4에서 정규화된 GRAPSA 대비 PSNR가 3.77 dB 향상되었고, 다양한 가속도 비율에서 유의미하게 향상된 SSIM과 RMSE 감소를 보였다.

ABSTRACT

k-space undersampling is a standard technique to accelerate MR image acquisitions. Reconstruction techniques including GeneRalized Autocalibrating Partial Parallel Acquisition(GRAPPA) and its variants are utilized extensively in clinical and research settings. A reconstruction model combining GRAPPA with a conditional generative adversarial network (GAN) was developed and tested on multi-coil human brain images from the fastMRI dataset. For various acceleration rates, GAN and GRAPPA reconstructions were compared in terms of peak signal-to-noise ratio (PSNR) and structural similarity (SSIM). For an acceleration rate of R=4, PSNR improved from 33.88 using regularized GRAPPA to 37.65 using GAN. GAN consistently outperformed GRAPPA for various acceleration rates.

연구 동기 및 목표

• 비정상적인 k-space 데이터를 사용한 가속화된 병렬 MRI 재구성에서 병렬화 및 잡음 왜곡을 해결하기 위해.
• 이미지 품질 향상을 위해 전통적인 GRAPSA를 개선하기 위해 딥 생성 모델링을 통합하기 위해.
• 순수한 GAN 기반 재구성에서 흔히 발생하는 환각 및 구조적 정확도 결여를 줄이기 위해.
• 지각적 및 데이터 일관성 손실을 활용하여 해부학적 정확도 향상과 잡음 억제를 달성하기 위해.
• 다양한 가속도 비율에서 fastMRI 데이터셋의 다중 코ils 인간 뇌 MRI에 대해 방법을 검증하기 위해.

제안 방법

• 조건부 GAN 아키텍처를 사용하며, U-Net 기반 생성자와 PatchGAN 판별자를 활용하여 비정상적인 k-space 데이터를 재구성한다.
• 생성자는 잔차(skip) 연결과 Leaky ReLU 및 배치 정규화를 적용한 3D 합성곱을 포함하여 특징 학습을 수행한다.
• 다중 구성 요소 손실 함수는 적대적 손실, L1/L2 재구성 손실, 데이터 일관성 손실(λDC=30), 그리고 사전 학습된 InceptionV3 네트워크를 사용한 지각적 특징 손실(λf=100)을 조합한다.
• 등간격 k-space 비정상 샘플링을 사용하며, 임의의 시작 라인을 설정하고 중심부 ACS 라인은 GRAPSA 校정을 위해 유지한다.
• 개별 훈련, 검증, 테스트 세트를 사용하여 데이터 泄漏를 방지하기 위해 100명의 환자에서 유도된 1600개의 축상 슬라이스를 대상으로 엔드 투 엔드로 훈련한다.
• Adam 옵timizer를 사용하여 200 에포크 동안 단일 NVIDIA Tesla V100 GPU에서 훈련을 수행한다.

실험 결과

연구 질문

• RQ1 기존의 GRAPSA만을 사용하는 것과 비교해 GRAPSA와 GAN을 조합함으로써 가속화된 병렬 MRI 재구성의 품질 향상이 가능한가?
• RQ2 데이터 일관성 및 지각적 특징 손실의 포함 여부가 왜곡 억제 및 구조적 정확도에 어떤 영향을 미치는가?
• RQ3 고가속도 비율(R=4 및 R=8)에서 GRAPSA-GAN 모델이 잡음과 평균 제곱근 오차(RMSE)를 얼마나 감소시키는가?
• RQ4 GAN 기반 재구성이 완전 촬영 데이터에 존재하는 실세계 왜곡(예: Gibbs 레이킹 및 운동 왜곡)을 완화하는가?
• RQ5 기존 GAN과 비교해 하이브리드 GRAPSA-GAN 프레임워크는 환각을 줄이면서도 해부학적 정확도를 유지할 수 있는가?

주요 결과

• R=4에서 정규화된 GRAPSA를 사용할 경우 PSNR는 33.88 dB에서 GRAPSA-GAN을 사용할 경우 37.65 dB로 상승하여 3.77 dB 향상되었다.
• R=4에서 SSIM은 0.84에서 0.93으로 향상되어 더 나은 구조적 유사성과 낮은 잡음 분산을 나타냈다.
• R=8에서 PSNR는 22.45 dB에서 29.64 dB로 상승하였고, SSIM은 0.51에서 0.84로 향상되어 고가속도에서도 뛰어난 안정성을 보였다.
• R=4에서 RMSE는 0.021에서 0.013으로 감소하였고, R=8에서는 0.075에서 0.033으로 감소하여 재구성 오차 감소를 확인했다.
• GAN 재구성은 고가속도 환경(R=8)에서도 Gibbs 레이킹, 운동 왜곡, 잡음을 효과적으로 억제하였으며, 더 선명하고 자연스러운 조직 대비를 보였다.
• 지각적 손실은 해부학적 특징을 유지하는 데 기여하였고, 데이터 일관성 손실은 훈련 데이터에서 기인한 실세계 왜곡의 반복을 억제하는 데 기여했다.