[논문 리뷰] Reducing Uncertainty in Undersampled MRI Reconstruction with Active Acquisition

Zizhao Zhang, Adriana Romero외 4명|arXiv (Cornell University)|2019. 02. 08.

Medical Imaging Techniques and Applications참고 문헌 40인용 수 10

한 줄 요약

이 논문은 재구성 불확실성을 최소화하기 위해 동적으로 k-space 측정치를 선택하는 액티브 수거 프레임워크를 제안한다. 재구성 네트워크와 불확실성 추정을 함께 훈련시키고, 학습 가능한 평가자 네트워크를 도입함으로써, 무릎 MRI 및 ImageNet 데이터셋에서 히وري스틱 기반 기준보다 오차를 줄이고 이미지 품질을 향상시킨다.

ABSTRACT

The goal of MRI reconstruction is to restore a high fidelity image from partially observed measurements. This partial view naturally induces reconstruction uncertainty that can only be reduced by acquiring additional measurements. In this paper, we present a novel method for MRI reconstruction that, at inference time, dynamically selects the measurements to take and iteratively refines the prediction in order to best reduce the reconstruction error and, thus, its uncertainty. We validate our method on a large scale knee MRI dataset, as well as on ImageNet. Results show that (1) our system successfully outperforms active acquisition baselines; (2) our uncertainty estimates correlate with error maps; and (3) our ResNet-based architecture surpasses standard pixel-to-pixel models in the task of MRI reconstruction. The proposed method not only shows high-quality reconstructions but also paves the road towards more applicable solutions for accelerating MRI.

연구 동기 및 목표

• 비정상적인 MRI 재구성 불확실성 문제를 해결하기 위해 적응형, 데이터 기반 측정 수거를 가능하게 한다.
• 반복적으로 가장 정보가 많은 k-space 측정치를 선택하여 추론 중 불확실성을 줄이는 방법을 개발한다.
• 이미지 재구성과 픽셀 단위 불확실성 추정을 함께 최적화하여 MRI 재구성의 정밀도를 향상시킨다.
• 불확실성 신호를 정지 기준으로 사용하여 실시간, 실용적인 MRI 가속화를 가능하게 한다.

제안 방법

• 고해상도 이미지와 픽셀 단위 불확실성 맵을 출력하는 재구성 네트워크를 포함한 이중 스트림 네트워크 아키텍처를 도입한다.
• 픽셀 단위 재구성 오차와 불확실성 校정을 결합한 손실을 사용해 재구성 네트워크를 엔드 투 엔드로 훈련시킨다.
• 아직 측정되지 않은 k-space 측정치의 예상 오차 감소를 예측하기 위한 학습 가능한 평가자 네트워크를 설계한다.
• 평가자 네트워크를 사용해 불확실성을 가장 효과적으로 줄이는 측정치를 선택함으로써 액티브 수거를 이끌어낸다.
• 초기 추정치로 제로-풀드 재구성을 적용한 후, 선택된 측정치를 반복적으로 활용해 예측을 정밀하게 개선한다.
• 예상 재구성 향상도에 기반한 점수를 할당하는 새로운 전략을 사용해 평가자 네트워크를 훈련시킨다. 이는 적대적 또는 회귀 전용 목표 함수가 아닌 것이다.

실험 결과

연구 질문

• RQ1 학습 가능한 평가자 네트워크가 MRI 재구성 불확실성을 줄이기 위해 히وري스틱 k-space 샘플링 전략을 능가할 수 있는가?
• RQ2 예측된 불확실성 맵이 비정상적인 MRI 재구성 오차와 어느 정도 상관관계를 가지는가?
• RQ3 불확실성 추정 기능을 갖춘 잔차 기반 재구성 네트워크 아키텍처가 표준 픽셀 대 픽셀 예측 모델보다 MRI 재구성 품질에서 뛰어나게 성능을 발휘하는가?
• RQ4 불확실성 추정치를 효과적으로 정지 신호로 사용해 고해상도 이미지 품질을 유지하면서 수거를 중단할 수 있는가?

주요 결과

• 제안된 평가자 네트워크는 무릎 MRI 및 ImageNet 데이터셋 전반에서 표준 액티브 수거 히وري스틱(예: 랜덤, 주파수 순서)보다 재구성 오차를 지속적으로 줄였다.
• 모델이 생성한 불확실성 맵은 실제 재구성 오차와 강한 상관관계를 보이며, 수거 정지 신호로 신뢰할 수 있는 신호로 사용될 수 있음을 검증했다.
• ResNet 기반 재구성 아키텍처는 특히 미세한 디테일을 유지하고 잡음을 줄이는 데 있어 표준 픽셀 대 픽셀 모델보다 뛰어난 성능을 보였다.
• 기준 기반 방법보다 더 높은 측정 효율성을 달성하여, 동일한 재구성 품질에 도달하기 위해 더 적은 k-space 샘플이 필요했다.
• ImageNet에서, 이 방법은 랜덤+C+R의 상위-k 분류 정확도를 맞추거나 초월했으며, 의미적 디테일을 효과적으로 복원함을 보였다.
• 제거 실험을 통해 제안된 평가자 훈련 전략이 유일하게 측정치가 많아질수록 점수가 증가하고 분산이 감소하는 특성을 만족하며, 이중 레이블 및 회귀 기반 대안보다 뛰어난 성능을 보였다.