[논문 리뷰] Respiratory Motion Correction in Abdominal MRI using a Densely Connected U-Net with GAN-guided Training

Wenhao Jiang, Zhiyu Liu외 6명|arXiv (Cornell University)|2019. 06. 24.

Advanced MRI Techniques and Applications참고 문헌 14인용 수 15

한 줄 요약

이 논문은 복부 MRI에서 호흡 운동 보정을 위해 GAN 유도 학습과 인지 손실을 통합한 밀도 연결 U-Net을 제안한다. 이는 합성 및 실제 운동 손상된 스캔에서 블러링과 가로등 잡음 잡음을 효과적으로 감소시키며, 추가 스캔 시간이나 환자 불편함 없이 딥 러닝을 통해 이미지 품질을 향상시킨다.

ABSTRACT

Abdominal magnetic resonance imaging (MRI) provides a straightforward way of characterizing tissue and locating lesions of patients as in standard diagnosis. However, abdominal MRI often suffers from respiratory motion artifacts, which leads to blurring and ghosting that significantly deteriorate the imaging quality. Conventional methods to reduce or eliminate these motion artifacts include breath holding, patient sedation, respiratory gating, and image post-processing, but these strategies inevitably involve extra scanning time and patient discomfort. In this paper, we propose a novel deep-learning-based model to recover MR images from respiratory motion artifacts. The proposed model comprises a densely connected U-net with generative adversarial network (GAN)-guided training and a perceptual loss function. We validate the model using a diverse collection of MRI data that are adversely affected by both synthetic and authentic respiration artifacts. Effective outcomes of motion removal are demonstrated. Our experimental results show the great potential of utilizing deep-learning-based methods in respiratory motion correction for abdominal MRI.

연구 동기 및 목표

• 복부 MRI에서 이미지 품질과 진단 정확도를 떨어뜨리는 호흡 운동 아티팩트를 해결하기 위해.
• 숨 멈춤 또는 추가 스캔 시간이 필요 없이 운동 아티팩트를 보정하는 딥 러닝 기반 방법을 개발하기 위해.
• 생성적 적대적 네트워크(GAN) 기반 학습 전략을 통해 이미지 복원 정밀도를 향상시키기 위해.
• 합성 및 실제 호흡 운동 아티팩트를 포함한 다양한 데이터셋에서 방법을 검증하기 위해.
• 인지 손실이 보정된 MR 이미지의 구조적 및 질감 세부 사항을 향상시키는 데 기여하는지 입증하기 위해.

제안 방법

• 다양한 스케일의 특징을 캡처하고 학습 중 기울기 흐름을 향상시키기 위해 밀도 연결 U-Net 아키텍처를 사용한다.
• 보정된 MR 이미지의 현실성과 구조 일관성을 향상시키기 위해 생성적 적대적 네트워크(GAN) 학습을 통합한다.
• 사전 훈련된 VGG 네트워크의 특징을 기반으로 한 인지 손실 함수를 사용하여 미세한 해부학적 세부 사항을 유지한다.
• 모델은 짝지어진 데이터, 즉 운동으로 손상된 MR 이미지와 그에 해당하는 운동 없는 기준 이미지에서 엔드 투 엔드로 훈련된다.
• 다양한 복부 MRI 스캔에 걸쳐 일반화 능력을 향상시키기 위해 데이터 증강 및 정규화 기법을 적용한다.
• GAN 브랜치의 판별자에서는 실제 이미지와 생성된 보정 이미지를 구별하도록 훈련되어, 현실적인 출력을 유도한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 추가 스캔 시간이나 환자 협조 없이 복부 MRI에서 호흡 운동 아티팩트를 효과적으로 보정할 수 있는가?
• RQ2 표준 손실 함수에 비해 GAN 유도 학습이 보정된 MR 이미지의 인지 품질과 구조 일관성에 어떻게 기여하는가?
• RQ3 제안된 방법이 합성 및 실제 운동 손상된 복부 MRI 스캔에 대해 얼마나 잘 일반화되는가?
• RQ4 인지 손실 함수의 통합이 표준 L2 손실에 비해 해부학적 세부 사항의 보존에 얼마나 더 효과적인가?
• RQ5 밀도 연결 U-Net 아키텍처가 운동 보정에서 표준 U-Net 변종에 비해 성능에 어떻게 기여하는가?

주요 결과

• 제안된 방법은 합성 및 실제 호흡 운동으로 손상된 복부 MRI 스캔에서 블러링과 가로등 잡음 아티팩트를 크게 감소시킨다.
• GAN 유도 학습의 사용은 보정 출력에서 더 현실적인 질감과 향상된 구조 일관성을 제공한다.
• 인지 손실 함수는 세밀한 해부학적 세부 사항의 보존을 향상시켜 더 높은 시각적 품질과 진단 관련성을 확보한다.
• 정량적 및 정성적 평가 모두에서 표준 U-Net 및 L2 손실을 사용한 U-Net과 같은 기준 모델에 비해 뛰어난 성능을 달성한다.
• 다양한 데이터셋에서 잘 일반화되어 스캔 프로토콜 및 운동 패tern의 변동성에 대해 강건함을 입증한다.
• 이 방법은 숨 멈춤이나 추가 스캔 시간 없이 고품질 이미지 복원을 가능하게 하여 임상 적용에 실용적인 솔루션을 제공한다.