[논문 리뷰] Model-based Convolutional De-Aliasing Network Learning for Parallel MR Imaging

Yanxia Chen, Taohui Xiao외 3명|arXiv (Cornell University)|2019. 08. 06.

Advanced MRI Techniques and Applications참고 문헌 13인용 수 4

한 줄 요약

이 논문은 암시적 코일 감도 추정이 필요 없이 과도하게 샘플링된 k-공간 데이터로부터 고품질 병렬 MRI 영상을 복원하기 위해 딥러닝을 활용하는 모델 기반 컨볼루션 디앨리아싱 네트워크를 제안한다. 분할 브레드먼 알고리즘과 학습 가능한 필터링 연산자(Φ)를 결합함으로써 공간적 冗餘성과 다중 코일 상관관계를 효과적으로 활용하여 다양한 가속도 요인과 샘플링 패턴에서 뛰어난 영상 품질과 강인성을 달성하였으며, 기존 방법 대비 최대 5 dB의 PSNR 향상을 기록하였다.

ABSTRACT

Parallel imaging has been an essential technique to accelerate MR imaging. Nevertheless, the acceleration rate is still limited due to the ill-condition and challenges associated with the undersampled reconstruction. In this paper, we propose a model-based convolutional de-aliasing network with adaptive parameter learning to achieve accurate reconstruction from multi-coil undersampled k-space data. Three main contributions have been made: a de-aliasing reconstruction model was proposed to accelerate parallel MR imaging with deep learning exploring both spatial redundancy and multi-coil correlations; a split Bregman iteration algorithm was developed to solve the model efficiently; and unlike most existing parallel imaging methods which rely on the accuracy of the estimated multi-coil sensitivity, the proposed method can perform parallel reconstruction from undersampled data without explicit sensitivity calculation. Evaluations were conducted on \emph{in vivo} brain dataset with a variety of undersampling patterns and different acceleration factors. Our results demonstrated that this method could achieve superior performance in both quantitative and qualitative analysis, compared to three state-of-the-art methods.

연구 동기 및 목표

• 정확한 코일 감도 추정에 의존하는 기존 병렬 MRI 복원 방법의 한계를 해결하기 위해, 잘못된 감도 추정으로 인한 아티팩트를 방지하고자 한다.
• 딥러닝을 통해 공간적 冗餘성과 다중 코일 상관관계를 활용하여 고가속도 병렬 MRI의 복원 정확도와 속도를 향상시키고자 한다.
• 명시적 감도 계산을 피하면서도 다양한 과도 샘플링 패턴에 대해 강인한 성능을 유지하는 모델 기반 딥러닝 프레임워크를 개발하고자 한다.
• MoDL, SPIRiT, SAKE와 같은 최신 기법들과 비교해 우수한 정량적 및 정성적 복원 성능을 달성하고자 한다.

제안 방법

• 데이터 일致성과 학습 가능한 정규화 항을 조합한 비제약 최적화 문제로 디앨리아싱 복원 모델을 수립한다.
• 효율적인 최적화를 위해 분할 브레드먼 알고리즘을 적용하여 엔드 투 엔드 학습과 복원을 가능하게 한다.
• 공간적 및 다중 코일 상관관계를 컨볼루션 신경망을 통해 캡처하기 위해 정규화 항에 학습 가능한 필터링 연산자 Φ를 통합한다.
• 코일 감도 지도가 필요 없이 과도하게 샘플링된 k-공간 데이터에 직접 작용하여 잠재적인 정확도 저하의 감도를 줄인다.
• 물리적 제약 조건과 데이터 기반 사전 지식을 통합한 딥러닝 프레임워크를 사용해 엔드 투 엔드로 모델을 훈련시킨다.
• 1D 균일, 1D 랜덤, 2D 포아송, 2D 레이디얼 샘플링과 같은 다양한 샘플링 패턴에 대해 강인성을 확보하도록 알고리즘을 설계한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 방법이 명시적 코일 감도 추정 없이도 병렬 MRI 복원 성능을 향상시킬 수 있는가?
• RQ2 모델 기반 컨볼루션 네트워크가 과도하게 샘플링된 k-공간 데이터에서 공간적 冗餘성과 다중 코일 상관관계를 얼마나 효과적으로 활용할 수 있는가?
• RQ3 제안된 분할 브레드먼 기반 최적화 프레임워크가 기존 반복적 방법보다 더 빠르고 안정적인 복원을 가능하게 하는가?
• RQ4 다양한 샘플링 패턴과 고가속도 요인에서 이 방법의 성능은 어떠한가?
• RQ5 MoDL, SPIRiT, SAKE와 같은 최신 기법들과 비교해 이론적 지표와 시각적 품질 모두에서 뛰어난 성능을 보일 수 있는가?

주요 결과

• 1D 균일 마스크를 사용한 3배 가속도 조건에서 평균 PSNR 36.99 dB, SSIM 0.96을 달성하여 MoDL(36.53 dB, 0.94)과 SAKE(30.66 dB, 0.84)를 모두 초월하였다.
• 1D 랜덤 마스크를 사용한 4배 가속도 조건에서 PSNR 33.56 dB, SSIM 0.93을 기록하여 SPIRiT(28.25 dB, 0.74)와 SAKE(27.93 dB, 0.80)를 크게 앞서갔다.
• 2D 포아송 샘플링 조건에서 6배 가속도를 적용한 결과 PSNR 32.64 dB, SSIM 0.90을 달성하여 MoDL(32.63 dB, 0.90)과 SAKE(27.15 dB, 0.74)를 모두 뛰어넘었다.
• 9배 레이디얼 샘플링 조건에서는 PSNR 32.49 dB, SSIM 0.91을 기록하여 고가속도에서의 강인성을 입증하였으며, MoDL는 가장자리 노이즈 증가와 불안정성이 나타났다.
• 모든 테스트된 가속도 요인과 샘플링 패턴에서 SAKE 및 SPIRiT 대비 평균적으로 약 5 dB의 NMSE 감소를 기록하였다.
• 오차 지도 분석 결과, 특히 고가속도 조건에서 MoDL에 비해 아티팩트와 가장자리 노이즈가 훨씬 적은 결과를 도출하였다.