[논문 리뷰] Offset Sampling Improves Deep Learning based Accelerated MRI Reconstructions by Exploiting Symmetry

Aaron Defazio|arXiv (Cornell University)|2019. 12. 02.

Advanced MRI Techniques and Applications참고 문헌 10인용 수 6

한 줄 요약

이 논문은 k-space 샘플링을 한 줄만큼 이동시켜 공액 대칭성을 활용함으로써 딥러닝 기반 가속화된 MRI 재구성에서 오프셋 샘플링을 제안한다. 이로 인해 앨리어징 겹침이 감소하고 이미지 품질이 향상된다. 오프셋-1 방법은 등간격(오프셋-0) 및 랜덤 샘플링보다 우수한 성능을 보이며, 더 높은 SSIM와 더 선명한 재구성 결과를 얻는다. 특히 저 SNR 조건에서 두드러진다.

ABSTRACT

Deep learning approaches to accelerated MRI take a matrix of sampled Fourier-space lines as input and produce a spatial image as output. In this work we show that by careful choice of the offset used in the sampling procedure, the symmetries in k-space can be better exploited, producing higher quality reconstructions than given by standard equally-spaced samples or randomized samples motivated by compressed sensing.

연구 동기 및 목표

• 최적화된 샘플링 패턴을 통해 k-space 대칭성을 활용하여 딥러닝 기반 가속화 MRI 재구성을 향상시키는 것.
• 표준 등간격(오프셋-0) 및 랜덤 샘플링의 복잡한 앨리어징 이미지 겹침 문제를 해결하는 것.
• 위상 이동된 샘플링 패턴이 재구성 불확실성을 줄이고 세부 정보 복원을 향상시킬 수 있는지 조사하는 것.
• 오프셋-1 샘플링이 MRI 신호의 실수값 성질과 공액 대칭성을 더 잘 활용할 수 있음을 입증하는 것.
• 압축 측정 기반 MRI에 대한 이론적으로 탄탄하고 경험적으로 뛰어난 랜덤 샘플링의 대안을 제공하는 것.

제안 방법

• 기존에 0에서 시작하는 것(오프셋-0)이 아닌, k-space 샘플링 마스크를 한 줄만큼 이동시킨 오프셋-1을 사용하여, 앨리어징된 이미지 복사본의 위상 관계를 변화시킨다.
• 오프셋-1 마스크는 앨리어징된 복사본이 IFFT 도메인에서 진폭 겹침을 줄이기 위해 2π/R 라디안 만큼 위상이 어긋나게 한다.
• R=4일 경우, 네 가지 위상은 실수 양성, 허수 양성, 실수 음성, 허수 음성으로 나뉘며, 겹치는 해부학적 구조의 분리가 향상된다.
• 실수값 이미지는 공액 대칭성을 가지므로, IFFT의 실수 부분에는 반으로 분리된 두 개의 앨리어징 복사본만 포함된다.
• FFT-후-IST를 통한 k-space 일致성 손실를 사용하는 캐스케이드형 U-Net 아키텍처를 사용하여 마스킹된 k-space 데이터에서 이미지를 재구성한다.
• 모든 마스크에 OR 연산을 통해 16개의 저주파 선을 추가하여 fastMRI 데이터셋에서 4배 가속화 조건으로 평가한다.

실험 결과

연구 질문

• RQ1 위상 이동된 샘플링 패턴(오프셋-1)이 가속화된 MRI 재구성에서 겹치는 앨리어징 아티팩트를 줄일 수 있는가?
• RQ2 오프셋-1 샘플링은 등간격(오프셋-0) 및 랜덤 샘플링과 비교해 재구성 품질에서 어떤가?
• RQ3 오프셋 샘플링을 통한 공액 대칭성 활용이 실수값 MRI 데이터에서 성능 향상에 얼마나 기여하는가?
• RQ4 압축 측정 이론이 무작위성을 선호하는 데도 불구하고, 왜 등간격 샘플링이 이 맥락에서 랜덤 샘플링보다 우수한가?
• RQ5 오프셋-1 방법은 다른 코ils 감도 패턴이나 가속도 요인으로 일반화될 수 있는가?

주요 결과

• 오프셋-1 샘플링 방법은 오프셋-0 및 랜덤 샘플링보다 유의미하게 높은 검증 SSIM를 달성한다.
• 오프셋-1 샘플링을 사용한 재구성 이미지는 더 선명하며, 특히 고도의 질감이나 저 SNR 영역에서 더 많은 저수준 이미지 세부 정보를 유지한다.
• 해부학적 구조가 시야의 절반 이하를 차지할 경우, 앨리어징 복사본이 IFFT의 실수 성분에서 완전히 분리되기 때문에 성능 향상이 가장 두드러진다.
• 표준 압축 측정 이론의 가정을 위반함에도 불구하고 오프셋-1 방법이 랜덤 샘플링을 능가하는 것은 MRI 데이터의 구조적 특성과 더 잘 일치하기 때문이다.
• 캐스케이드형 U-Net에 k-space 일치성 손실를 적용한 결과, 오프셋-1 샘플링에서 유도된 구조적 앨리어징을 효과적으로 활용하여 더 나은 분리가 이루어졌다.
• 다양한 모델 아키텍처에서 결과가 안정적이므로, 이 성능 향상은 모델에 종속된 것이 아니라 샘플링 패턴 자체의 특성에 기인한다.