[논문 리뷰] Multi-channel MR Reconstruction (MC-MRRec) Challenge - Comparing Accelerated MR Reconstruction Models and Assessing Their Genereralizability to Datasets Collected with Different Coils.

Youssef Beauferris, Jonas Teuwen외 18명|arXiv (Cornell University)|2020. 11. 10.

Advanced MRI Techniques and Applications참고 문헌 35인용 수 5

한 줄 요약

이 논문은 12채널 데이터에서 가속화된 MR 재구성 모델을 평가하고 32채널 데이터로의 일반화 능력을 테스트하는 MC-MRRec 챌린지의 첫 번째 버전을 제시한다. 기준 모델과 제출된 모델을 비교하여 임상 적용에 필수적인 코일 간 일반화 문제를 드러낸다.

ABSTRACT

The 2020 Multi-channel Magnetic Resonance Reconstruction (MC-MRRec) Challenge had two primary goals: 1) compare different MR image reconstruction models on a large dataset and 2) assess the generalizability of these models to datasets acquired with a different number of receiver coils (i.e., multiple channels). The challenge had two tracks: Track 01 focused on assessing models trained and tested with 12-channel data. Track 02 focused on assessing models trained with 12-channel data and tested on both 12-channel and 32-channel data. While the challenge is ongoing, here we describe the first edition of the challenge and summarise submissions received prior to 5 September 2020. Track 01 had five baseline models and received four independent submissions. Track 02 had two baseline models and received two independent submissions. This manuscript provides relevant comparative information on the current state-of-the-art of MR reconstruction and highlights the challenges of obtaining generalizable models that are required prior to clinical adoption. Both challenge tracks remain open and will provide an objective performance assessment for future submissions. Subsequent editions of the challenge are proposed to investigate new concepts and strategies, such as the integration of potentially available longitudinal information during the MR reconstruction process. An outline of the proposed second edition of the challenge is presented in this manuscript.

연구 동기 및 목표

• 대규모 다중 채널 데이터셋에서 최신 기술의 가속화된 MR 재구성 모델을 평가하고 비교하기 위해.
• 12채널 데이터에서 훈련된 모델이 32채널 데이터에 적용되었을 때의 일반화 능력을 평가하기 위해.
• 다른 코일 구성 간 모델 이동성에 있어 성능 격차와 과제를 규명하기 위해.
• 향후 모델 개발과 임상 평가를 위한 기준을 설정하기 위해.
• 종단적 데이터와 새로운 재구성 전략을 통합하는 미래의 챌린지 버전을 위한 프레임워크를 제시하기 위해.

제안 방법

• 챌린지는 두 트랙으로 구성되었으며, 트랙 01은 12채널 데이터에서만 모델을 평가했고, 트랙 02는 12채널 데이터에서 훈련된 모델이 12채널 및 32채널 데이터 모두에서 평가되었다.
• 트랙 01에는 다섯 개의 기준 모델이 제공되었고, 트랙 02에는 두 개의 기준 모델이 제공되어 성능 기준으로 기능했다.
• 트랙 01에는 네 건의 독립적 제출이 있었고, 트랙 02에는 두 건의 제출이 있었으며, 모두 테스트 데이터에서 표준화된 지표를 사용해 평가되었다.
• 재구성된 영상에 대한 정량적 지표를 사용해 성능을 평가하였으며, 영상 품질과 구조적 유사성에 중점을 두었다.
• 챌린지 프레임워크는 다양한 코일 구성 간 모델 간 객관적이고 재현 가능한 비교를 가능하게 하였다.
• 향후 두 번째 버전에서는 재구성 파이프라인에 종단적 정보를 통합하는 것을 탐색할 예정이다.

실험 결과

연구 질문

• RQ1 다양한 가속화된 MR 재구성 모델은 12채널 데이터에서 영상 품질과 재구성 정확도 측면에서 어떻게 성능을 보였는가?
• RQ2 12채널 데이터에서 훈련된 모델이 32수신 코일로 획득된 데이터에 얼마나 잘 일반화되는가?
• RQ3 훈련 및 테스트 시 코일 구성이 다를 경우 모델의 일반화 능력에 있어 핵심적인 제약 요소는 무엇인가?
• RQ4 기준 모델과 제출된 모델 간 재구성 정밀도와 내성에 있어 어떤 차이가 있었는가?
• RQ5 종단적 데이터 통합과 같은 향후 개선 사항은 MR 재구성에서 모델의 일반화 능력을 어떻게 향상시킬 수 있는가?

주요 결과

• 챌린지에서는 제출된 모델들 간 성능의 상당한 변동성을 확인했으며, 일부 모델은 12채널 데이터에서 뛰어난 재구성 품질을 보였다.
• 32채널 데이터로의 일반화는 여전히 주요 과제로 남아 있었으며, 대부분의 모델이 더 높은 채널 수 데이터에서 성능이 저하되는 것으로 나타났다.
• 기준 모델은 안정적인 성능 기준을 제공했지만, 일부 제출된 모델은 12채널 데이터에서 기준 모델을 초월하는 성능을 보였다.
• 12채널과 32채널 평가 간 성능 격차는 더 강력하고 코일에 관계없는 재구성 전략이 필요하다는 점을 강조했다.
• 챌린지 프레임워크는 다양한 코일 구성 간 모델 간 객관적이고 재현 가능한 벤치마킹을 성공적으로 가능하게 하였다.
• 결과는 임상 적용 이전에 다양한 코일 어레이에 일반화 가능한 모델 개발의 필요성을 부각시켰다.