[논문 리뷰] Optimization methods for MR image reconstruction

Jeffrey A. Fessler|arXiv (Cornell University)|2019. 03. 08.

Advanced MRI Techniques and Applications참고 문헌 97인용 수 9

한 줄 요약

이 논문은 자기공명영상 촬영(MR image reconstruction)을 위한 전문화된 최적화 방법을 검토하며, MRI의 대용량 데이터 및 임상적 시간 제약 조건을 고려한 알고리즘을 강조한다. 식품의약국(FDA) 승인을 받은 압축 감지 기법과 최근 연구용으로 부상하고 있는 데이터 적응형 정규화 기법을 다루며, 시스템 모델과 정규화 항에 존재하는 문제 특화 구조를 활용함으로써 전용 최적화 솔버보다 고유한 알고리즘이 훨씬 뛰어난 성능을 발휘함을 보여준다.

ABSTRACT

The development of compressed sensing methods for MR image reconstruction led to an explosion of research on models and optimization algorithms for MRI. Roughly 10 years after such methods first appeared in the MRI literature, the US FDA approved the commercial use of certain compressed sensing methods, making compressed sensing a clinical success story for MRI. This review paper summarizes several key models and optimization algorithms for MR image reconstruction, including both the type of methods that have FDA approval for clinical use, as well as more recent methods being considered in the research community that use data-adaptive regularizers. One impetus for this paper is that off the shelf optimization methods have rarely been the best choice for solving optimization problems in MR image reconstruction, due to the large volume of MRI data collected by clinical systems and practical time constraints on processing time. Instead, special purpose algorithms have been devised that exploit the structure of the system model and regularizers used in MRI; this paper strives to collect such algorithms in a single survey. Many of the ideas used in optimization methods for MRI are also useful for solving other inverse problems.

연구 동기 및 목표

• 일반적인 최적화 솔버와 자기공명영상 촬영에 특화된 요구사항(예: 대용량 데이터 및 엄격한 처리 시간 제한) 사이의 격차를 해소한다.
• MRI 전용으로 설계된 최적화 알고리즘을 조사하며, 시스템 모델과 정규화 항의 구조적 특성을 활용한다.
• 임상적으로 승인된 압축 감지 기법과 데이터 적응형 정규화를 활용한 최신 연구용 접근법을 강조한다.
• 연구자와 전문가가 효과적인 문제 특화 최적화 기법을 통합적으로 활용할 수 있도록 기초 자료를 제공한다.
• 자기공명영상 전용 최적화 전략이 영상 분야의 보다 넓은 역문제 해결에 어떻게 기여할 수 있는지 설명한다.

제안 방법

• 자기공명영상 시스템 모델의 구조, 예를 들어 푸리에 인코딩 행렬을 활용하여 수렴 속도를 향상시키는 최적화 알고리즘에 집중한다.
• 전체 변화도 및 기타 희박성 촉진 정규화 항을 맞춤형 최적화 프레임워크에 통합하여 영상 품질 향상과 재구성 속도 향상을 도모한다.
• 자기공명영상 문제의 선형성과 희박성에 적합하게 조정된 반복 알고리즘인 분할 브레그만(Split Bregman) 및 양변 다중승수 방법(Alternating Direction Method of Multipliers, ADMM)을 활용한다.
• 학습 데이터에서 최적의 희박성 패턴을 학습하는 데이터 적응형 정규화 항을 통합하여 고정 정규화 항 대비 재구성 정밀도를 향상시킨다.
• 임상 워크플로우 제약 조건을 고려해 계산 효율성과 고품질 영상 복원 간 균형을 맞춘 알고리즘을 설계한다.
• 자기공명영상 최적화 기법과 더 넓은 범위의 역문제 해결 간의 연관성을 도출하며, 재사용 가능한 알고리즘 원칙을 강조한다.

실험 결과

연구 질문

• RQ1 일반적 적용이 가능한 최적화 방법임에도 불구하고, 왜 일반적인 최적화 방법은 자기공명영상 재구성에서 성능이 열 劣하는가?
• RQ2 자기공명영상 재구성에서 문제 특화 알고리즘 구조는 어떻게 활용되어 속도와 정확도를 향상시킬 수 있는가?
• RQ3 고정 정규화 항 대비 데이터 적응형 정규화 항은 영상 품질 향상에 어떤 역할을 하는가?
• RQ4 어떤 최적화 프레임워크가 자기공명영상 진단에서 임상적 사용을 위해 식품의약국(FDA) 승인을 받았으며, 실제 적용에 적합한 이유는 무엇인가?
• RQ5 자기공명영상 전용 최적화 기법은 다른 의료 영상 분야의 역문제에 얼마나 전이 가능할까?

주요 결과

• 문제 특화 구조를 활용하는 맞춤형 최적화 알고리즘이 일반적인 최적화 솔버보다 자기공명영상 재구성에서 뚜렷한 성능 향상을 보인다.
• 자기공명영상에서 식품의약국(FDA) 승인을 받은 압축 감지 기법은 속도, 정확도, 임상 적용 가능성의 균형을 맞춘 전용 최적화 프레임워크에 기반한다.
• 데이터 적응형 정규화 항은 데이터에서 최적의 희박성 패턴을 학습함으로써 향상된 영상 품질을 제공하는 유망한 연구 방향으로 부상하고 있다.
• 분할 브레그만(Split Bregman) 및 ADMM(양변 다중승수 방법)와 같은 고급 최적화 기법의 통합은 대규모 자기공명영상 재구성 문제의 효율적 해결을 가능하게 한다.
• 자기공명영상 분야에서 개발된 많은 최적화 전략은 다른 영상 분야의 역문제에까지 적용 가능하며, 이는 그들의 더 넓은 과학적 영향력을 의미한다.