[논문 리뷰] Model Learning: Primal Dual Networks for Fast MR imaging

Jing Cheng, Haifeng Wang외 2명|arXiv (Cornell University)|2019. 08. 07.

Advanced MRI Techniques and Applications참고 문헌 14인용 수 5

한 줄 요약

이 논문은 고도로 미리 샘플링된 k-space 데이터로부터 가속화된 MRI 재구성에 대해 원자적 이중 성격 경사 알고리즘을 풀어내는 학습 가능한 딥 네트워크 아키텍처인 프리멀 듀얼 네트워크(PD-Net)를 제안한다. k-space와 이미지 영역에서 반복적으로 갱신하면서 점차 제약 조건을 완화함으로써, 최적화 이론과 딥 러닝을 융합하여 고도로 미리 샘플링된 k-space 데이터로부터 최신 기술 수준의 이미지 품질을 달성한다. 이는 살아있는 생체 데이터셋에서 기존 방법들을 능가한다.

ABSTRACT

Magnetic resonance imaging (MRI) is known to be a slow imaging modality and undersampling in k-space has been used to increase the imaging speed. However, image reconstruction from undersampled k-space data is an ill-posed inverse problem. Iterative algorithms based on compressed sensing have been used to address the issue. In this work, we unroll the iterations of the primal-dual hybrid gradient algorithm to a learnable deep network architecture, and gradually relax the constraints to reconstruct MR images from highly undersampled k-space data. The proposed method combines the theoretical convergence guarantee of optimi-zation methods with the powerful learning capability of deep networks. As the constraints are gradually relaxed, the reconstruction model is finally learned from the training data by updating in k-space and image domain alternatively. Experi-ments on in vivo MR data demonstrate that the proposed method achieves supe-rior MR reconstructions from highly undersampled k-space data over other state-of-the-art image reconstruction methods.

연구 동기 및 목표

• 고도로 미리 샘플링된 k-space 데이터로부터 가속화된 MRI 재구성의 애매한 역문제를 해결하기 위해.
• 이론적 수렴 보장을 갖는 최적화 기반 방법과 높은 표현 능력을 지닌 딥 러닝 모델 간 격차를 메우기 위해.
• 이중적으로 이미지 영역과 k-space 영역의 제약 조건을 번갈아가며 갱신하는 미분 가능한 반복적 네트워크 아키텍처를 개발하기 위해.
• 학습 데이터로부터 직접 재구성 모델을 학습할 수 있도록 엔드 투 엔드 트레이닝이 가능한 딥 네트워크를 구현하기 위해.

제안 방법

• 이 방법은 원자적 이중 하이브리드 경사(PDHG) 알고리즘을 학습 가능한 레이어를 갖춘 딥 리서지드 네트워크 아키텍처로 풀어낸다.
• 이미지 영역과 k-space 영역 간의 갱신을 번갈아 적용하며, 소프트 스위칭과 데이터 일관성 제약 조건을 적용한다.
• 학습 중에 제약 조건을 점차 완화하여 네트워크가 미리 샘플링된 데이터로부터 최적의 재구성 모델을 학습할 수 있도록 한다.
• 두 영역에서 데이터 일관성과 희박성 촉진 정규화를 조합하여 엔드 투 엔드로 네트워크를 학습시킨다.
• 원래 알고리즘의 원자적 이중 구조를 유지함으로써 이론적 수렴 보장을 유지한다.
• 백프로파게이션을 통해 최적화하며, 학습 데이터에서 재구성 손실을 최소화하도록 파라미터를 갱신한다.

실험 결과

연구 질문

• RQ1 최적화 기반 MRI 재구성 방법의 수렴 성질을 유지하면서도 학습 가능한 딥 네트워크 아키텍처를 설계할 수 있는가?
• RQ2 원자적 이중 프레임워크는 어떻게 학습 가능한 엔드 투 엔드 딥 네트워크로 변환되어 가속화된 MRI에 적용될 수 있는가?
• RQ3 제약 조건을 점차 완화함으로써 고도로 미리 샘플링된 MRI 재구성 품질은 어느 정도 향상될 수 있는가?
• RQ4 최적화 이론과 데이터 기반 학습을 융합하면 순수 딥 러닝 또는 순수 최적화 방법에 비해 뛰어난 이미지 품질을 달성할 수 있는가?
• RQ5 제안된 방법은 고가속도 요건을 갖는 다양한 생체 MRI 데이터셋에 대해 일반화 가능한가?

주요 결과

• 제안된 PD-Net은 고가속도 요건을 갖는 생체 MRI 데이터셋에서 최신 기술 수준의 방법들보다 뛰어난 이미지 재구성 품질을 달성한다.
• 엔드 투 엔드 학습을 통해 재구성 정확도를 크게 향상시키면서도 이론적 수렴 보장을 유지한다.
• 실험 결과, 학습 중 제약 조건을 점차 완화함으로써 일반화 능력 향상과 재구성 이미지의 잡음 감소가 이루어짐을 확인하였다.
• PSNR 및 SSIM 지표에서 전통적인 압축 감지 기반 모델과 순수하게 학습된 재구성 모델 모두를 능가하는 성능을 보였다.
• 임상 MRI 데이터에서 다양한 해부학적 영역과 가속도 패턴에 대해 네트워크 아키텍처가 뛰어난 강건성을 보였다.