[논문 리뷰] Performance characterization of a novel deep learning-based MR image reconstruction pipeline

R. Marc Lebel|arXiv (Cornell University)|2020. 08. 14.

Medical Imaging Techniques and Applications참고 문헌 15인용 수 63

한 줄 요약

새로운 딥 러닝 기반 MR 재구성 파이프라인이 샤프니스 향상 및 노이즈 제거를 특징으로 하며, 디지털 참조, 팬텀 및 생체 내(in-vivo) 데이터에 대한 평가를 통해 스캔 시간을 단축할 수 있음을 뒷받침합니다.

ABSTRACT

A novel deep learning-based magnetic resonance imaging reconstruction pipeline was designed to address fundamental image quality limitations of conventional reconstruction to provide high-resolution, low-noise MR images. This pipeline's unique aims were to convert truncation artifact into improved image sharpness while jointly denoising images to improve image quality. This new approach, now commercially available at AIR Recon DL (GE Healthcare, Waukesha, WI), includes a deep convolutional neural network (CNN) to aid in the reconstruction of raw data, ultimately producing clean, sharp images. Here we describe key features of this pipeline and its CNN, characterize its performance in digital reference objects, phantoms, and in-vivo, and present sample images and protocol optimization strategies that leverage image quality improvement for reduced scan time. This new deep learning-based reconstruction pipeline represents a powerful new tool to increase the diagnostic and operational performance of an MRI scanner.

연구 동기 및 목표

• 전통적 MR 재구성의 근본적인 영상 품질 한계를 다룬다.
• 고해상도 저노이즈 MR 이미지를 제공한다.
• 절단 아티팩트를 더 나은 이미지 선명도로 변환하면서 동시에 노이즈 제거를 수행한다.
• 디지털 참조 객체, 팬텀 및 생체 내(in-vivo) 데이터 전반에서 성능을 입증한다.
• 이미지 품질 향상을 활용한 더 빠른 스캔을 위한 프로토콜 최적화 전략을 제시한다.

제안 방법

• 원시 MR 데이터 재구성에 도움을 주기 위한 심층 합성곱 신경망의 통합을 설명한다.
• 노이즈 제거를 수행하면서 절단 아티팩트를 더 선명한 영상으로 변환하는 파이프라인 특징을 개요한다.
• 디지털 참조 객체, 팬텀 및 생체 내 데이터로 성능 평가를 수행한다.
• 이미지 품질 향상에 기반한 샘플 이미지와 프로토콜 최적화 지침을 제공한다.

실험 결과

연구 질문

• RQ1 전통적 방법과 비교했을 때 딥 러닝 재구성 파이프라인이 이미지 선명도와 노이즈에 어떤 영향을 미치는가?
• RQ2 디지털 참조 객체, 팬텀 및 생체 내 MR 데이터 전반에서 파이프라인은 어떤 성능을 보이는가?
• RQ3 개선된 이미지 품질을 통해 파이프라인이 더 짧은 스캔 시간을 가능하게 하는가?
• RQ4 향상된 이미지 품질을 활용한 실용적인 프로토콜 최적화 전략은 무엇인가?

주요 결과

• 해당 대상에서 파이프라인은 전통적인 재구성과 비교하여 이미지 선명도를 향상시키고 노이즈를 감소시킨다.
• 디지털 참조 객체, 팬텀 및 생체 내 데이터 전반에서 성능이 입증된다.
• 샘플 이미지와 프로토콜 전략은 이미지 품질 향상이 더 짧은 스캔 시간을 뒷받침할 수 있음을 보여준다.