[논문 리뷰] Real-Time Cardiac Cine MRI with Residual Convolutional Recurrent Neural Network

Eric Z. Chen, Xiao Chen외 5명|arXiv (Cornell University)|2020. 08. 12.

Advanced MRI Techniques and Applications참고 문헌 14인용 수 5

한 줄 요약

이 논문은 고도로 비정상적인 k-space 데이터로부터 실시간 심장 씨네 MRI 재구성하기 위해 잔차 연결을 갖춘 양방향 ConvRNN와 데이터 일致성 레이어를 통합한 잔차 컨volutional 순환 신경망(Res-CRNN)을 제안한다. 이는 심장 운동의 동적 특성을 모델링하기 위해 설계되었으며, 12배 가속화된 다중 코ils 임상 데이터에서 평가된 결과, 압축 감쇠 기반 방법에 비해 영상 품질(노이즈 및 잡음 감소 우수)과 재구성 속도(10배 빠름)에서 뛰어난 성능을 보였고, 방사선 전문의들은 약간 낮은 선명도 점수에도 불구하고 Res-CRNN 결과를 선호하였다.

ABSTRACT

Real-time cardiac cine MRI does not require ECG gating in the data acquisition and is more useful for patients who can not hold their breaths or have abnormal heart rhythms. However, to achieve fast image acquisition, real-time cine commonly acquires highly undersampled data, which imposes a significant challenge for MRI image reconstruction. We propose a residual convolutional RNN for real-time cardiac cine reconstruction. To the best of our knowledge, this is the first work applying deep learning approach to Cartesian real-time cardiac cine reconstruction. Based on the evaluation from radiologists, our deep learning model shows superior performance than compressed sensing.

연구 동기 및 목표

• 심장 씨네 MRI를 실시간으로 빠르게 획득하기 위해 ECG 촬영이나 호흡 정지 없이도 고도로 비정상적인 k-space 데이터로부터 고품질 재구성을 달성하고자 한다.
• 압축 감쇠 기반 방법의 한계, 즉 느린 재구성 속도와 복잡한 하이퍼파rameter 조정 문제를 해결하고자 한다.
• 모의 또는 단일 코일 데이터가 아닌 실제 다중 코일 비정상적인 실시간 씨네 데이터를 기반으로 한 딥러닝 기반 방법을 개발하고 검증하고자 한다.
• 재구성 성능 평가를 정량적 평가 외에도 임상적 평가, 즉 영상 품질과 진단 유용성에 대한 방사선 전문의의 평가를 포함하고자 한다.

제안 방법

• 심장 씨네 영상의 시간적 동역학을 모델링하기 위해 3개의 양방향 ConvRNN 레이어를 포함한 잔차 컨volutional 순환 신경망(Res-CRNN)을 설계하였다.
• 고주파 영상 세부 정보 학습을 향상시키고 학습 안정성을 향상시키기 위해 두 수준의 잔차 연결을 통합하였다.
• 각 양방향 ConvRNN 내부에 2D 컨volution 레이어를 추가하여 특징 맵의 차원을 감소시키고 GPU 메모리 사용량을 절감하였다.
• k-space 제약 조건을 강제로 적용하여 재구성 정밀도를 향상시키기 위해 데이터 일치성 레이어를 포함하였다.
• 재구성 손실 함수로 MSE와 SSIM을 사용하여, 후행적으로 비정상적인 후기 씨네 데이터(12배 가속)를 기반으로 모델을 훈련시켰다.
• 재구성된 코일 영상은 루트 제곱합(RSS)을 통해 통합되었으며, 실제 다중 코일 RT-cine 데이터에 직접 적용되었고, 참값이 필요로 하지 않았다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 모델이 고도로 비정상적인 다중 코일 데이터에서 실시간 심장 씨네 MRI 재구성 시 압축 감쇠 기반 방법에 비해 더 뛰어난 영상 품질을 달성할 수 있는가?
• RQ2 제안된 Res-CRNN 모델이 임상적 RT-cine MRI에서 압축 감쇠 기반 방법에 비해 앨리어징 잡음과 노이즈를 더 효과적으로 줄일 수 있는가?
• RQ3 딥러닝 기반 재구성 방식이 반복적 압축 감쇠 기반 방법보다 뚜렷이 빠르게 작동하여 실질적인 임상 적용이 가능한가?
• RQ4 방사선 전문의들이 영상 품질과 운동 표현 측면에서 Res-CRNN 재구성 결과를 압축 감쇠 기반 방법과 동등하거나 우월한 것으로 평가하는가?
• RQ5 후기 씨네 데이터에서 훈련된 모델이 완전히 샘플링된 참값이 없는 실시간 RT-cine 데이터에 효과적으로 일반화되는가?

주요 결과

• Res-CRNN는 압축 감쇠 기반 방법에 비해 노이즈와 잡음에 대한 방사선 전문의 평가 점수에서 유의미하게 높은 점수를 기록했다(p < 0.001), 운동 표현 측면에서도 유사하게 뛰어났다.
• Res-CRNN는 CS에 비해 선명도 점수에서 유의미하게 낮은 점수를 기록했지만(p < 0.001), 이는 진단가치에 영향을 주지 않았으며, 두 방법 간의 진단가치 유의미성은 유의미하지 않았다(p = 0.48).
• Res-CRNN의 평균 재구성 시간은 25.7초로, 압축 감쇠 기반 방법(318.3초)보다 10배 이상 빠르게 작동했다.
• 시각적 비교 결과, Res-CRNN는 혈관 내강과 배경 영역에서 압축 감쇠 기반 방법보다 더 효과적으로 앨리어징 잡음을 감소시켰다.
• 완전히 컨volutional 아키텍처를 통해 다양한 심장 주기와 영상 크기에서 뛰어난 강건성을 보였다.
• 4명의 방사선 전문의 간에 유의미한 평가자 간 변동성이 관찰되지 않았다(p > 0.1), 일관된 평가 결과를 나타냈다.