[논문 리뷰] k-Space Deep Learning for Parallel MRI: Application to Time-Resolved MR Angiography

Eunju Cha, Eung Yeop Kim외 1명|arXiv (Cornell University)|2018. 06. 03.

Advanced MRI Techniques and Applications참고 문헌 21인용 수 4

한 줄 요약

이 논문은 실시간으로 유연하게 시간해상결함이 있는 자기공명angiography(tMRA)를 복원할 수 있도록 하는 k-space 딥러닝 프레임워크를 제안한다. 시계열 복원의 시간해상결함을 향상시킨다. Hankel 행렬 분해에 영감을 받은 딥뉴럴넷을 통해 다중코일 k-space 보간 커널을 학습함으로써, 재학습 없이 다양한 뷰공유 수준에서 고해상도 복원을 달성하며, GRAPPA 및 ALOHA보다 속도와 품질 면에서 뛰어나다.

ABSTRACT

Time-resolved angiography with interleaved stochastic trajectories (TWIST) has been widely used for dynamic contrast enhanced MRI (DCE-MRI). To achieve highly accelerated acquisitions, TWIST combines the periphery of the k-space data from several adjacent frames to reconstruct one temporal frame. However, this view-sharing scheme limits the true temporal resolution of TWIST. Moreover, the k-space sampling patterns have been specially designed for a specific generalized autocalibrating partial parallel acquisition (GRAPPA) factor so that it is not possible to reduce the number of view-sharing once the k-data is acquired. To address these issues, this paper proposes a novel k-space deep learning approach for parallel MRI. In particular, we have designed our neural network so that accurate k-space interpolations are performed simultaneously for multiple coils by exploiting the redundancies along the coils and images. Reconstruction results using in vivo TWIST data set confirm that the proposed method can immediately generate high-quality reconstruction results with various choices of view- sharing, allowing us to exploit the trade-off between spatial and temporal resolution in time-resolved MR angiography.

연구 동기 및 목표

• TWIST 영상에서 여러 프레임에 걸쳐 뷰공유로 인해 발생하는 진정한 시간해상결함의 제한을 극복하기 위해.
• 기존의 GRAPPA 기반 TWIST 프로토콜이 고정된 가속도 요인을 요구하고 후속 조정이 불가능하여 유연성이 떨어지는 문제를 해결하기 위해.
• 재학습 없이 다양한 공간-시간 해상결함 트레이드오프에서 즉각적인 복원이 가능한 딥러닝 기반 k-space 복원 방법을 개발하기 위해.
• 다중코일의 부여 및 희박성 특성을 활용해 딥뉴럴넷을 통해 k-space 보간 커널을 학습함으로써 계산 효율성과 높은 영상 품질을 달성하기 위해.
• 펄스 시퀀스 수정 없이 기존의 TWIST 수집 프로토콜과의 후행 호환성을 확보하기 위해.

제안 방법

• k-space 보간을 모델링하기 위해 데이터 기반 Hankel 행렬 분해의 다층 확장으로 설계된 딥 컨volution 신경망을 사용한다.
• 신경망은 코일 간의 부여와 영상 도메인의 희박성을 활용하여 k-space에서 직접 보간 커널을 학습한다.
• 저랭크 k-space 구조를 고차원 공간으로 매핑하기 위해 인코더-디코더 아키텍처와 함께 순환적 리프팅 및 언리프팅 연산을 사용한다.
• 저랭크성의 Hankel 행렬을 보간에 효과적으로 활용하기 위한 사전 지식으로 삼아, 가중치가 부여된 k-space 데이터에서 엔드 투 엔드로 신경망을 훈련한다.
• 추론 시, 동일한 훈련된 신경망은 입력 윈도우 크기 조정만으로도 뷰공유 수준에 관계없이 어떤 수의 뷰공유 수준에서도 복원을 생성한다.
• 실시간 커널 계산을 피하기 때문에 GRAPPA 및 ALOHA보다 훨씬 빠르며, 슬라이스당 추론 시간은 단 0.029초이다.

실험 결과

연구 질문

• RQ1 k-space 데이터에서 훈련된 딥러닝 모델은 재학습 없이 TWIST의 다양한 뷰공유 구성에 일반화될 수 있는가?
• RQ2 시간해상결함 영상에 대해 k-space 딥러닝은 GRAPPA 및 ALOHA와 비교해 복원 품질과 계산 효율성 면에서 어떻게 다른가?
• RQ3 단일 딥뉴럴넷이 다양한 가속도 요인과 시간해상결함 요구사항에 대해 강건한 보간 커널을 학습할 수 있는가?
• RQ4 기존의 GRAPPA가 실패하는 고가속도 요인에서 제안된 방법이 공간해상결함을 유지할 수 있는가?
• RQ5 학습 데이터보다 더 높은 시간해상결함을 가진 새로운 시간 프레임에 대해 학습된 k-space 보간을 적용할 수 있는가?

주요 결과

• 제안된 방법은 슬라이스당 복원 시간이 단 0.029초로, GRAPPA(6.09초) 및 ALOHA(84.61초)보다 100배 이상 빠르다.
• 단일 훈련된 신경망을 사용해 어떤 수의 뷰공유 수준에서도 즉각적인 복원이 가능하므로, 공간-시간 해상결함 트레이드오프를 영리하게 탐색할 수 있다.
• 저랭크 Hankel 행렬 분해를 통한 k-space 구조의 내재적 특성 학습 덕분에, 새로운 시간 프레임에 대해 우수한 일반화 성능을 보인다.
• 고가속도 요인에서 제안된 방법은 특히 뷰공유가 감소했을 때 ALOHA보다 공간해상결함 면에서 뚜렷이 뛰어나다.
• 다층 리프팅 및 코드화를 통한 깊은 표현 학습을 활용해, GRAPPA 및 ALOHA보다 뛰어난 영상 품질을 달성한다.