[논문 리뷰] Motion Corrected Multishot MRI Reconstruction Using Generative Networks with Sensitivity Encoding

Muhammad Usman, Farooq, Muhammad Umar외 3명|arXiv (Cornell University)|2019. 02. 20.

Advanced MRI Techniques and Applications참고 문헌 48인용 수 10

한 줄 요약

이 논문은 다샷 MRI에서 후행적 운동 보정을 위한 GAN 강화된 공액 기울기 SENSE (CG-SENSE) 프레임워크를 제안한다. 운동으로 인해 손상된 k-공간 데이터는 먼저 CG-SENSE를 통해 재구성되고, 이후 생성적 적대적 네트워크(GAN)에 의해 잔상이 제거되도록 정밀 조정된다. 이 방법은 반복적 접근 방식 대비 100배 빠른 계산 시간을 기록하며 최신 기술 수준의 영상 품질을 달성하였으며, 다양한 운동 수준, 샷 수, 인코딩 궤적에서 뛰어난 안정성을 보였다.

ABSTRACT

Multishot Magnetic Resonance Imaging (MRI) is a promising imaging modality that can produce a high-resolution image with relatively less data acquisition time. The downside of multishot MRI is that it is very sensitive to subject motion and even small amounts of motion during the scan can produce artifacts in the final MR image that may cause misdiagnosis. Numerous efforts have been made to address this issue; however, all of these proposals are limited in terms of how much motion they can correct and the required computational time. In this paper, we propose a novel generative networks based conjugate gradient SENSE (CG-SENSE) reconstruction framework for motion correction in multishot MRI. The proposed framework first employs CG-SENSE reconstruction to produce the motion-corrupted image and then a generative adversarial network (GAN) is used to correct the motion artifacts. The proposed method has been rigorously evaluated on synthetically corrupted data on varying degrees of motion, numbers of shots, and encoding trajectories. Our analyses (both quantitative as well as qualitative/visual analysis) establishes that the proposed method significantly robust and outperforms state-of-the-art motion correction techniques and also reduces severalfold of computational times.

연구 동기 및 목표

• 영상 품질 저하 및 오진단 위험을 초래하는 다샷 MRI에서의 운동 잔상 문제를 해결한다.
• 계산 비용이 높고 운동 크기 및 인코딩 체계에 민감한 반복적 운동 보정 방법의 한계를 극복한다.
• 운동 추정이 수거 또는 재구성 과정에서 필요 없는, 매개변수 없는 종단 간 운동 보정 프레임워크를 개발한다.
• 다양한 다샷 MRI 설정, 즉 다양한 수준의 운동, 샷 수, 인코딩 궤적에서 뛰어난 성능을 유지를 가능하게 한다.
• 고해상도 다샷 MRI의 임상 적용을 지원하기 위해 재구성 시간을 크게 단축시킨다.

제안 방법

• 감도 인코딩을 활용한 병렬 영상 기반으로, k-공간 데이터로부터 운동으로 손상된 영상을 먼저 공액 기울기 SENSE(CG-SENSE)를 적용해 재구성한다.
• 잔상이 많은 재구성 영상을 생성적 적대적 네트워크(GAN)에 입력하여, 운동으로 인해 열악해진 영상을 잔상 없는 고화질 MRI 영상으로 매핑하는 것을 학습한다.
• 생성자 네트워크가 현실감 있는 이미지 사전 지식을 학습할 수 있도록, 적대적 손실을 사용하여 지각 일관성과 고차원 이미지 구조를 강화한다.
• 운동 보정을 재구성 과정에서 분리한다: CG-SENSE가 먼저 전체 k-공간 재구성을 수행한 후, GAN 기반 정밀 조정을 수행한다.
• 진짜 영상과 생성된 영상 간을 구분하는 디스커미네이터 네트워크를 사용하여, 생성자가 명시적인 운동 모델링 없이도 현실적인 이미지 사전 지식을 학습하도록 한다.
• 이 프레임워크는 인코딩 궤적과 샷 수에 민감하지 않아, 다양한 다샷 MRI 프로토콜에 일반화 가능하다.

실험 결과

연구 질문

• RQ1 수집 또는 재구성 과정에서 사전 운동 추정이 필요 없이, GAN 기반 프레임워크가 다샷 MRI에서 운동 잔상을 효과적으로 보정할 수 있는가?
• RQ2 제안된 방법은 최신 기술 수준의 반복적 운동 보정 기법과 비교해 영상 품질과 계산 효율성 측면에서 어떻게 성능을 내는가?
• RQ3 제안된 방법의 성능은 다양한 강성 두개부 운동 수준, 샷 수, 인코딩 궤적에서도 뛰어난 안정성을 유지하는가?
• RQ4 GAN 기반 보정 단계를 운동 크기와 재구성 복잡성과 독립적으로 만들 수 있는가? 이는 입력 매개변수에 관계없이 일관된 추론 시간을 보장할 수 있다.

주요 결과

• 제안된 방법은 최신 기술 수준의 반복적 방법 [21] 대비 계산 시간을 100배 이상 단축시켰으며, 운동 수준에 관계없이 일관된 보정 시간 0.28초를 기록했다.
• 128개 샷의 경우, 제안된 방법은 총 재구성 시간이 단 1.40초에 불과했고, 반복적 방법 [21]은 89.19초가 소요되어 뚜렷한 속도 향상을 보였다.
• 14°의 운동에서 반복적 방법은 152.03초가 소요되었지만, 제안된 방법은 일관된 0.28초의 보정 시간을 유지하여 확장성의 우수함을 입증했다.
• GAN 기반 보정 단계는 운동 크기에 영향을 받지 않아 5°에서 14°의 운동 범위에서 안정적인 성능을 유지했으며, 반복적 방법은 운동 크기가 증가할수록 성능 저하가 심했다.
• 시각적 및 정량적 평가 결과, 제안된 방법은 모든 테스트 매개변수에서 기존 기술 대비 잔상 억제 및 구조적 유사도(SSIM) 측면에서 뛰어난 성능을 보였다.
• 프레임워크는 인코딩 궤적과 샷 수의 변화에 대해 뛰어난 내성성을 보였으며, 재학습이나 아키텍처 변경 없이도 고화질 영상을 유지했다.