[논문 리뷰] i-RIM applied to the fastMRI challenge

Patrick Putzky, Dimitrios Karkalousos외 5명|arXiv (Cornell University)|2019. 10. 20.

Advanced MRI Techniques and Applications참고 문헌 6인용 수 13

한 줄 요약

이 논문은 fastMRI 챌린지에서 압축된 MRI 재구성에 대해 가속화된 역행성 추론 기계(i-RIM)를 제안한다. 깊이 있는 역행성 아키텍처를 활용하여 데이터 일致성 기울기(d ∇𝒟)를 반복적으로 이용해 영상 추정치를 정밀하게 개선한다. 이 방법은 상태 기반 성능을 달성하였으며, 테스트 세트에서 8× 가속도에서 다중 코일 모델이 39.52 dB PSNR와 0.928 SSIM을 기록하였다.

ABSTRACT

We, team AImsterdam, summarize our submission to the fastMRI challenge (Zbontar et al., 2018). Our approach builds on recent advances in invertible learning to infer models as presented in Putzky and Welling (2019). Both, our single-coil and our multi-coil model share the same basic architecture.

연구 동기 및 목표

• 한정된 k-space 데이터를 바탕으로 한 가속 MRI 재구성 문제를 데이터 기반의 역행성 딥러닝 접근법으로 해결한다.
• 전통적 방법의 한계를 극복하기 위해 코일 감도 매핑을 명시적으로 모델링하지 않는다.
• 역행성 잔여 블록과 활성화 메모리가 없는 안정적인 역전파를 통해 초심층 네트워크(480층)의 학습을 가능하게 한다.
• 단일 코일 및 다중 코일 MRI 설정 모두에서 4× 및 8× 가속도 조건 하에서도 고해상도 영상 재구성을 달성한다.
• 구조적 유사도(SSIM)를 주요 손실 함수로 사용하고, 크기 영상에서 평가함으로써 임상적 관련성을 높인다.

제안 방법

• 모든 코일에서의 샘플링 마스크와 푸리에 변환을 통합한 전방 모델 d = A p + n를 사용하여 MRI 재구성 문제를 역문제로 공식화한다.
• k-space 측정치와 코일 영상을 결합하기 위해 크로네커 곱을 사용하여 공동 벡터를 구성함으로써 다중 코일 간의 공동 재구성을 가능하게 한다.
• 데이터 일치성 기울기 ∇𝒟(d, A, p_t)를 기반으로 학습 가능한 함수 h_φ를 사용해 영상 추정치 p_t와 잠재 상태 s_t를 반복적으로 갱신하는 역행성 추론 기계(i-RIM)를 구현한다.
• 네트워크를 0-filled 재구성(p₀ = Aᴴd)과 필드 강도 및 지방 억제와 같은 스캔 파rameter를 인코딩한 1-핫 인코딩된 메타 상태 s₀로 초기화한다.
• 최종 복소수 영상 추정치 p̂를 생성하기 위해 비역행성 최종 블록 f_θ를 적용하며, 평가를 위해 크기 영상으로 변환한다.
• 크기 영상에서 SSIM 손실을 사용하여 학습하며, Adam 옵timizer를 사용하고 매 30 에포크마다 학습률 감소를 적용한다.

실험 결과

연구 질문

• RQ1 명시적인 코일 감도 모델링 없이도, 역행성 딥러닝 모델이 고가속도 조건에서 뛰어난 MRI 재구성 성능을 달성할 수 있는가?
• RQ2 역행성 네트워크의 깊이(최대 480층)가 가속 MRI에서 재구성 품질에 어떤 영향을 미치는가?
• RQ3 초기 잠재 상태를 통한 메타데이터 통합이 다양한 MRI 촬영 프로토콜 간 일반화 능력에 얼마나 기여하는가?
• RQ4 fastMRI 벤치마크에서 기존의 학습-역행 기반 방법과 비교해 i-RIM의 PSNR, SSIM 및 시각적 정밀도는 어떠한가?
• RQ5 미세조정 없이도 i-RIM이 다양한 해부학적 영역과 스캔 파rameter에서 높은 성능을 유지할 수 있는가?

주요 결과

• 다중 코일 i-RIM은 8× 가속도에서 테스트 세트에서 39.52 dB PSNR와 0.928 SSIM을 달성하여 단일 코일 모델을 초월하고 새로운 벤치마크를 설정하였다.
• 검증 세트에서 다중 코일 모델은 8× 가속도에서 38.84 dB PSNR와 0.916 SSIM을 기록하여 강력한 일반화 능력을 보였다.
• 단일 코일 모델은 4× 가속도에서 33.65 dB PSNR와 0.781 SSIM을 기록하여 적은 수의 코일임에도 불구하고 뛰어난 성능을 보였다.
• 예시 재구성 결과는 지상 진실 영상과 비교해 더 낮은 잡음과 왜곡, 더 뚜렷한 구조적 세부 정보를 보였다.
• 활성화 메모리가 없는 깊은 네트워크(480층) 학습이 가능해 안정적인 최적화와 뛰어난 특징 학습이 가능했다.
• SSIM을 학습 손실로 사용함으로써 특히 미세한 해부학적 구조를 유지하는 데 유리한 시각적 재구성 품질을 달성했다.