[논문 리뷰] MRI Reconstruction via Cascaded Channel-wise Attention Network

Qiaoying Huang, Dong Yang외 4명|arXiv (Cornell University)|2018. 10. 18.

Sparse and Compressive Sensing Techniques참고 문헌 12인용 수 5

한 줄 요약

이 논문은 고도로 미리 샘플링된 k-space 데이터로부터 MRI 재구성하기 위해 채널별 주의 메커니즘을 통합한 계단식 U-Net인 MICCAN을 제안한다. 주목할 만한 특징을 강조하기 위해 채널별 주의를 통합하고, 저주파 성분을 유지하기 위해 장거리 스위프트 커넥션을 도입하며, 시각적 정확도를 향상시키기 위해 병합된 손실 함수를 사용함으로써, MICCAN은 최신 기술 수준의 성능을 달성하여 12.5%의 샘플링 비율에서 NRMSE를 0.0385로 감소시키고 PSNR를 28.45로 높였다.

ABSTRACT

We consider an MRI reconstruction problem with input of k-space data at a very low undersampled rate. This can practically benefit patient due to reduced time of MRI scan, but it is also challenging since quality of reconstruction may be compromised. Currently, deep learning based methods dominate MRI reconstruction over traditional approaches such as Compressed Sensing, but they rarely show satisfactory performance in the case of low undersampled k-space data. One explanation is that these methods treat channel-wise features equally, which results in degraded representation ability of the neural network. To solve this problem, we propose a new model called MRI Cascaded Channel-wise Attention Network (MICCAN), highlighted by three components: (i) a variant of U-net with Channel-wise Attention (UCA) module, (ii) a long skip connection and (iii) a combined loss. Our model is able to attend to salient information by filtering irrelevant features and also concentrate on high-frequency information by enforcing low-frequency information bypassed to the final output. We conduct both quantitative evaluation and qualitative analysis of our method on a cardiac dataset. The experiment shows that our method achieves very promising results in terms of three common metrics on the MRI reconstruction with low undersampled k-space data.

연구 동기 및 목표

• 기존의 딥러닝 방법들이 채널별 특징을 동일하게 취급함으로써 저주파 성분을 제대로 유지하지 못하는 문제를 해결하기 위해, 매우 낮은 샘플링된 k-space 데이터로부터 고품질 MRI를 재구성하는 데 도전한다.
• 비현저한 특징들과 노이즈를 걸러내는 채널별 주의 메커니즘을 도입함으로써 딥 네트워크의 표현 능력을 향상시켜 MRI 재구성 성능을 개선한다.
• 장거리 스위프트 커넥션을 통해 저주파 성분을 직접 최종 출력에 전달함으로써 구조적 무결성을 유지하고, 네트워크가 고주파 세부 정보를 더 잘 학습할 수 있도록 한다.
• 표준 ℓ₂ 손실과 비교해 시각적 품질을 향상시키고 흐릿함을 줄이기 위해 ℓ₂ 손실과 시각적 손실을 병합한 손실 함수를 개발한다.

제안 방법

• 모델은 최종 출력에 대한 중요도에 따라 특징 채널을 재가중하는 채널별 주의(UCM) 모듈을 통합한 수정된 U-Net 아키텍처를 사용한다.
• UCM 모듈은 글로벌 평균 풀링과 완전히 연결된 계층을 통해 채널별 주의 가중치를 계산하며, 압축-흥장 기반 메커니즘을 활용해 특징 표현을 향상시킨다.
• 장거리 스위프트 커넥션은 저주파 성분을 직접 최종 출력에 전달하여 구조적 무결성을 보장하고, 네트워크가 고주파 세부 정보 학습에 집중할 수 있도록 한다.
• ℓ₂ 손실과 VGG-16 특징에서 유도된 시각적 손실을 통합한 병합된 손실 함수를 사용하여 시각적 품질을 향상시키고 흐릿함을 줄인다.
• 학습은 파이토치를 사용해 엔드 투 엔드로 수행되며, 초기 학습률은 1e-4로 설정하고, 15 에포크마다 0.5씩 감소시키며 총 50 에포크 동안 배치 크기 8로 학습한다.
• 각 재구성 블록 후에 데이터 일관성 레이어를 적용하여 획득한 k-space 데이터에 대한 충실도를 보장한다.

실험 결과

연구 질문

• RQ1 채널별 주의 메커니즘이 매우 낮은 샘플링된 k-space 데이터에 대한 딥러닝 기반 MRI 재구성에서 특징 표현 능력을 향상시키는가?
• RQ2 저주파 성분을 유지하는 장거리 스위프트 커넥션은 네트워크가 고주파 세부 정보에 집중할 수 있도록 하여 재구성 품질을 향상시키는가?
• RQ3 ℓ₂ 손실과 시각적 손실을 모두 포함한 병합된 손실 함수는 ℓ₂ 손실만 사용할 경우보다 이미지의 흐릿함을 줄이고 시각적 품질을 향상시키는가?
• RQ4 제안된 MICCAN 모델은 12.5% 샘플링 비율에서 NRMSE, PSNR, SSIM 측면에서 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?

주요 결과

• 병합된 손실을 사용한 MICCAN(MICCAN-B)은 0.8214의 최고 SSIM 점수를 기록하여 모든 베이스라인을 크게 능가하며 구조적 보존 능력이 뛰어나다는 것을 보여준다.
• MICCAN-C 버전은 NRMSE가 0.0385로 가장 낮고 PSNR가 28.4489로 가장 높아 장거리 스위프트 커넥션과 병합된 손실을 병행 적용할 경우의 효과를 입증한다.
• 단지 ℓ₂ 손실로만 훈련된 MICCAN-A 역시 최신 기술 수준의 MRN5 모델을 능가하여 NRMSE 0.0402, PSNR 28.0664를 기록한다.
• 정성적 분석 결과, 전통적 방법과 이전의 딥러닝 모델 대비 MICCAN 모델은 더 선명한 이미지를 생성하고 흐릿한 아티팩트를 줄이며 세밀한 해부학적 세부 정보를 더 잘 복원함을 보였다.
• 제거 실험 결과, 채널별 주의 메커니즘과 병합된 손실 모두 성능 향상에 기여하며, 장거리 스위프트 커넥션은 추가로 성능 향상을 이룬다.