[논문 리뷰] Neural Implicit k-Space for Binning-free Non-Cartesian Cardiac MR Imaging

Wenqi Huang, Hongwei Li외 4명|arXiv (Cornell University)|2022. 12. 16.

Advanced MRI Techniques and Applications인용 수 19

한 줄 요약

이 논문은 빈도 도메인 정규화를 갖는 다층 퍼셉트론을 사용하여 연속적이고 환자별 k-space 표현을 학습하는, 이산화 없고 데이터베이스가 필요 없는 비카르테시안 심장 MRI 재구성 프레임워크인 신경 은닉 k-스페이스(Neural Implicit k-Space, NIK)를 제안한다. 시간, 코일, k-space 좌표를 직접 신호 강도로 매핑함으로써 NIK는 NUFFT나 밀도 보정 없이 역 푸리에 변환을 통해 고해상도 이미지 재구성을 가능하게 하며, 한 심장박동 분량의 레이디얼 데이터로부터도 뛰어난 잡음 억제와 시간 해상도를 달성한다.

ABSTRACT

In this work, we propose a novel image reconstruction framework that directly learns a neural implicit representation in k-space for ECG-triggered non-Cartesian Cardiac Magnetic Resonance Imaging (CMR). While existing methods bin acquired data from neighboring time points to reconstruct one phase of the cardiac motion, our framework allows for a continuous, binning-free, and subject-specific k-space representation.We assign a unique coordinate that consists of time, coil index, and frequency domain location to each sampled k-space point. We then learn the subject-specific mapping from these unique coordinates to k-space intensities using a multi-layer perceptron with frequency domain regularization. During inference, we obtain a complete k-space for Cartesian coordinates and an arbitrary temporal resolution. A simple inverse Fourier transform recovers the image, eliminating the need for density compensation and costly non-uniform Fourier transforms for non-Cartesian data. This novel imaging framework was tested on 42 radially sampled datasets from 6 subjects. The proposed method outperforms other techniques qualitatively and quantitatively using data from four and one heartbeat(s) and 30 cardiac phases. Our results for one heartbeat reconstruction of 50 cardiac phases show improved artifact removal and spatio-temporal resolution, leveraging the potential for real-time CMR.

연구 동기 및 목표

• 기존 비카르테시안 MRI 재구성 방법이 데이터 이산화, 밀도 보정, NUFFT에 의존하여 잡음과 시간 블러를 유발하는 한계를 해결하기 위해.
• 완전히 샘플링된 k-space 데이터나 대규모 학습 데이터셋이 필요 없는 데이터베이스 없는, 환자별 특화된 재구성 프레임워크를 개발하기 위해.
• 최소한 한 심장박동 분량의 과표본화된 레이디얼 궤적에서조차도 고해상도 연속적인 시간 재구성을 가능하게 하기 위해.
• 샘플링된 k-space 점들로부터 직접 연속적인 k-space 표현을 학습함으로써 비균일 푸리에 변환과 밀도 보정 함수의 필요성을 제거하기 위해.

제안 방법

• 모든 샘플링된 k-space 점에 고유한 좌표 튜플 (시간, 코일 인덱스, 주파수 도메인 위치)를 할당하여 k-space를 신경 은닉 함수로 모델링한다.
• 3차원 좌표를 k-space 신호 강도로 매핑하는 다층 퍼셉트론(MLP)을 학습시키며, 스펙트럼 일관성을 유지하기 위해 주파수 도메인 정규화를 적용한다.
• 학습 중에 예측된 k-space 값과 진짜 k-space 값 간의 차이를 최소화하는 손실 함수를 사용하여 네트워크를 종합적으로 최적화한다.
• 추론 과정에서는 모든 시간 프레임과 코일에 대해 정규적인 카르테시안 격자상의 k-space 값을 예측하여 표준 역 FFT를 통한 이미지 재구성 가능하게 한다.
• 이 프레임워크는 본질적으로 샘플링 패턴에 민감하지 않으며 재그리드 또는 보간 커널이 필요하지 않다.
• 고주파 노이즈 억제 및 재구성 정확도 향상을 위해 주파수 도메인 정규화를 적용한다.

실험 결과

연구 질문

• RQ1 완전히 샘플링된 k-space 데이터나 대규모 데이터베이스가 없이도 신경 은닉 k-space 표현을 종합적으로 학습시킬 수 있는가?
• RQ2 기존의 이산화 기반 방법에 비해 이산화 없이 연속적인 k-space 표현은 비카르테시안 심장 MRI에서 시간 해상도와 잡음 억제 측면에서 어떻게 비교되는가?
• RQ3 단일 쇼트, 한 심장박동 분량의 재구성에서 신경 은닉 k-space 모델링을 통해 얼마나 높은 시공간 해상도를 달성할 수 있는가?
• RQ4 주파수 도메인 정규화는 저표본 조건에서 재구성의 안정성과 이미지 품질을 향상시키는 데 기여하는가?

주요 결과

• 테스트된 모든 조건(한 심장박동, 30단계 재구성 포함)에서 NIK는 INUFFT, CG-SENSE, L+S에 비해 정성적 및 정량적 지표에서 모두 뛰어난 성능을 보였다.
• 한 심장박동, 50심장단계 재구성에서 NIK는 최소한의 잡음과 왜곡을 유지하며 고해상도 이미지를 제공했고, 기존 방법은 단계당 스포크 수 부족으로 심한 블러와 노이즈를 보였다.
• 특히 심장판 경계 부위에서 뛰어난 시간 해상도와 날카운 에 bord를 달성했으며, x-t 프로파일 분석과 오차도를 통해 확인되었다.
• 주파수 도메인 정규화는 노이즈를 유의미하게 감소시켜 재구성 과정의 안정성 향상 효과를 입증했다.
• NIK는 연속적이고 이산화 없는 시간 재구성 가능하며, 이는 재구성 품질이 심장단계 수에 관계없이 일관되게 유지된다는 것을 의미한다. 반면 이산화 기반 방법은 단계 수 증가에 따라 품질이 떨어진다.
• 레이디얼 샘플링에서의 잡음 억제 성능이 최고 수준이며, 이는 기존 방법에서 어려운 스타일링 및 가로등 잡음이 발생하기 쉬운 영역을 잘 해결하고 있음을 보여준다.