[논문 리뷰] Optimal control gradient precision trade-offs: application to fast generation of DeepControl libraries for MRI

Mads Sloth Vinding, David L. Goodwin외 2명|arXiv (Cornell University)|2021. 07. 02.

Advanced NMR Techniques and Applications참고 문헌 59인용 수 9

한 줄 요약

이 논문은 MRI 펄스 설계를 위한 양자 최적 제어에서 중점(first-order) 기울기 근사 방법을 제안하며, DeepControl 신경망을 위한 훈련 라이브러리 생성을 크게 가속화한다. 이 방법은 기계 정밀도 기울기보다 최대 5배 빠른 속도를 달성하면서도 실용적인 MRI 응용 분야에서 충분한 정확도를 유지한다. 이에 따라 딥러닝을 통한 실시간 환자 맞춤형 펄스 계산이 가능해진다.

ABSTRACT

We have recently demonstrated supervised deep learning methods for rapid generation of radiofrequency pulses in magnetic resonance imaging (https://doi.org/10.1002/mrm.27740, https://doi.org/10.1002/mrm.28667). Unlike the previous iterative optimization approaches, deep learning methods generate a pulse using a fixed number of floating-point operations - this is important in MRI, where patient-specific pulses preferably must be produced in real time. However, deep learning requires vast training libraries, which must be generated using the traditional methods, e.g. iterative quantum optimal control methods. Those methods are usually variations of gradient descent, and the calculation of the fidelity gradient of the performance metric with respect to the pulse waveform can be the most numerically intensive step. In this communication, we explore various ways in which the calculation of fidelity gradients in quantum optimal control theory may be accelerated. Four optimization avenues are explored: truncated commutator series expansions at zeroth and first order, a novel midpoint truncation scheme at first order, and the exact complex-step method. For the spin systems relevant to MRI, the first-order truncation is found to be sufficiently accurate, but also up to five times faster than the machine precision gradient. This makes the generation of training databases for the machine learning methods considerably more realistic.

연구 동기 및 목표

• DeepControl라는 실시간 MRI RF 펄스 생성을 위한 딥러닝 프레임워크를 위해 대규모 훈련 라이브러리 생성의 계산적 병목 현상을 해결하기 위해.
• MRI를 위한 양자 최적 제어에서 기울기 정밀도와 계산 효율성 간의 상호 상충 관계를 탐색하기 위해.
• 실행 시간을 단축시키되 펄스 품질을 손상시키지 않는 근사 기울기 방법을 개발하고 평가하기 위해.
• 딥러닝 기반 MRI 펄스 설계를 위한 고성능 RF 펄스 라이브러리의 빠르고 확장 가능한 생성을 가능하게 하기 위해.

제안 방법

• GRAPE 알고리즘을 위한 새로운 중점(first-order) 기울기 근사 방법을 제안하며, 제어 필드의 시간 대칭적 중점 평가를 사용한다.
• 네 가지 기울기 계산 방법을 비교한다: 정확한 복소수-스텝, 표준 제로차 및 일阶 근사, 그리고 제안된 중점 일阶 방법.
• 시간 간격 ∆t = 10 µs로 일정한 펄스 이산화를 사용하고, 시간 전이 연산자 U(p)n = e^{Ω(p)n∆t}를 계산하기 위해 행렬 지수를 적용한다.
• 세 가지 목표 카테고리인 BW(대역폭), GrBW(기울기 에코 대역폭), Gr(기울기 에코)에서 기울기 정확도와 수렴 속도를 평가한다.
• 근사 기울기를 정확한 복소수-스텝 기울기 기준으로 비교하기 위해 NRMSE(정규화된 평균 제곱근 오차)를 사용한다.
• 수렴은 허용도 및 펄스 형상 정확도 기준으로 평가되며, 명목상 30° 플립 각도를 목표로 하는 2D RF 펄스를 테스트한다.

실험 결과

연구 질문

• RQ1 시간 간격 ∆t = 10 µs에서 중점 평가를 사용한 일阶 기울기 근사가 표준 일阶 및 제로차 근사보다 속도와 정확도 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 정확한 기울기와 비교했을 때 중점 기울기 방법은 얼마나 많은 계산 비용을 절감하면서도 펄스 품질을 유지하는가?
• RQ3 다양한 기울기 근사 수준이 DeepControl 라이브러리 생성의 수렴 속도와 최종 펄스 품질에 미치는 영향은 어떠한가?
• RQ4 중점 방법은 다양한 펄스 설계 목표(예: BW, GrBW, Gr)와 펄스 유형에 대해 강건한가?

주요 결과

• 중점 일阶 기울기 방법은 기계 정밀도 복소수-스텝 기울기보다 최대 5배 빠른 속도를 달성하면서도 MRI 응용 분야에서 충분한 정확도를 유지한다.
• 이 방법의 정확도는 시간 간격을 절반으로 줄인 표준 제로차 기울기(5 µs 대비 10 µs)와 유사한 수준이며, 이는 시간 간격 민감도를 효과적으로 감소시킴을 시사한다.
• 일阶 근사(중점 포함)는 MRI 응용에 충분히 정확하며, 결과적으로 고성능 허용도를 가지며 DeepControl 네트워크 훈련에 적합한 펄스를 생성한다.
• NRMSE 히스토그램 분석 결과, 중점 방법은 모든 목표 카테고리(BW, GrBW, Gr)에서 표준 일阶 및 제로차 근사 방법보다 일관되게 뛰어난 성능을 보였다.
• 중점 방법의 최상의 NRMSE는 0.005 이하였으며, 플립 각도 맵의 최악의 경우 차이도 ±20° 이내에 머물러 있어 허용 가능한 정확도를 확보했다.
• 이 연구는 근사 기울기를 정확한 기울기 대체로 효과적으로 사용할 수 있음을 확인하였으며, 특히 초고정밀도가 아닌 빠른 라이브러리 생성을 목표로 할 경우 더욱 유용하다.