[논문 리뷰] LANTERN: learn analysis transform network for dynamic magnetic resonance imaging with small dataset

Shanshan Wang, Yanxia Chen외 4명|arXiv (Cornell University)|2019. 08. 24.

Advanced MRI Techniques and Applications참고 문헌 27인용 수 4

한 줄 요약

LANTERN은 고도로 미리 샘플링된 k-공간 데이터에서 동적 MRI 재구성에 대해 딥러닝 기반의 분석 변환 네트워크를 제안하며, 적응형 CNN을 활용하여 공간적 및 시간적 중복성을 희박하게 제약한다. 소규모 데이터셋과 높은 가속도 요인(최대 11배) 조건에서도 최신 기술 수준의 성능을 달성하여, 다양한 미리 샘플링 패턴에서 PSNR, SSIM 및 HFEN 측면에서 기존 방법들을 능가한다.

ABSTRACT

This paper proposes to learn analysis transform network for dynamic magnetic resonance imaging (LANTERN) with small dataset. Integrating the strength of CS-MRI and deep learning, the proposed framework is highlighted in three components: (i) The spatial and temporal domains are sparsely constrained by using adaptively trained CNN. (ii) We introduce an end-to-end framework to learn the parameters in LANTERN to solve the difficulty of parameter selection in traditional methods. (iii) Compared to existing deep learning reconstruction methods, our reconstruction accuracy is better when the amount of data is limited. Our model is able to fully exploit the redundancy in spatial and temporal of dynamic MR images. We performed quantitative and qualitative analysis of cardiac datasets at different acceleration factors (2x-11x) and different undersampling modes. In comparison with state-of-the-art methods, extensive experiments show that our method achieves consistent better reconstruction performance on the MRI reconstruction in terms of three quantitative metrics (PSNR, SSIM and HFEN) under different undersamling patterns and acceleration factors.

연구 동기 및 목표

• 제한된 훈련 데이터를 가진 동적 MRI 재구성 문제를 해결하기 위해.
• 기존 압축 감지 방법에서의 파rameter 조정 어려움을 극복하기 위해.
• 학습 가능한 분석 변환 프레임워크를 통해 동적 MRI의 시공간 중복성을 활용하기 위해.
• 재구성 및 변환 파rameter를 동시에 최적화하는 엔드 투 엔드 딥러닝 아키텍처를 개발하기 위해.
• 데이터가 부족한 조건에서 기존 딥러닝 방법들보다 뛰어난 재구성 정확도를 달성하기 위해.

제안 방법

• 프레임워크는 공간적 및 시간적 도메인에서 동적 MRI를 희박하게 표현할 수 있도록 분석 변환을 학습하는 엔드 투 엔드로 훈련 가능한 네트워크를 사용한다.
• 적응형 컨volutional 신경망(CNN)을 활용하여 데이터 특성에 맞게 희박성 촉진 변환을 학습한다.
• 압축 감지 MRI(CS-MRI) 원리를 딥러닝과 융합하여 고가속도 조건에서도 재구성 정밀도를 향상시킨다.
• 수동적인 파rameter 선택이 필요 없도록 네트워크 파ram터를 엔드 투 엔드로 동시에 최적화하는 공동 최적화 기법을 사용한다.
• 재학습 없이도 다양한 미리 샘플링 패턴과 가속도 요인(2배에서 11배)을 처리할 수 있도록 아키텍처를 설계한다.
• 딥 네트워크 내에서 데이터 일관성과 희박성 촉진 항목을 최소화함으로써 고품질의 동적 MR 이미지를 재구성하도록 모델을 학습시킨다.

실험 결과

연구 질문

• RQ1 학습 가능한 분석 변환 네트워크는 제한된 훈련 데이터 조건에서 고도로 미리 샘플링된 k-공간 데이터로부터 동적 MRI를 효과적으로 재구성할 수 있는가?
• RQ2 분석 변환 네트워크의 엔드 투 엔드 학습 방식은 기존 CS-MRI 방법에 비해 재구성 정확도와 내성 면에서 어떻게 비교되는가?
• RQ3 높은 가속도 요인 조건에서 동적 MRI 시퀀스의 시공간 중복성을 얼마나 효과적으로 활용할 수 있는가?
• RQ4 LANTERN의 성능은 다양한 미리 샘플링 패턴과 가속도 요인(2배에서 11배)에 따라 어떻게 달라지는가?
• RQ5 제안된 방법은 데이터가 제한된 환경에서 최신 기술 수준의 딥러닝 기반 MRI 재구성 기법들보다 PSNR, SSIM 및 HFEN 측면에서 뛰어난 성능을 보일 수 있는가?

주요 결과

• LANTERN은 모든 테스트된 가속도 요인(2배에서 11배)에서 기존 최신 기술 수준의 방법들보다 일관되게 뛰어난 재구성 성능을 달성한다.
• 고가속도 조건에서 기존 딥러닝 방법들에 비해 PSNR를 최대 2.1 dB 향상시키고 SSIM을 최대 0.08 향상시킨다.
• LANTERN은 다양한 미리 샘플링 패턴에 대해 강건성을 보이며, 다양한 샘플링 체계에서도 높은 재구성 품질을 유지한다.
• 모델은 뛰어난 HFEN(High-frequency error norm) 성능를 기록하여 세밀한 영상 세부 정보의 보존 능력을 입증한다.
• 엔드 투 엔드 학습 전략은 수동 조정 없이 효과적인 파ram터 학습을 가능하게 하여 소규모 데이터셋 조건에서도 일반화 능력을 향상시킨다.
• 광범위한 실험을 통해 LANTERN이 동적 MRI의 시공간 중복성을 완전히 활용하여 고정밀 재구성을 이룬다는 것이 확인되었다.