[논문 리뷰] Retrospective Motion Correction in Gradient Echo MRI by Explicit Motion Estimation Using Deep CNNs

Mathias S. Feinler, Bernadette N. Hahn|arXiv (Cornell University)|2023. 03. 30.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 논문은 심층 신경망 기반의 회귀적 운동 보정 방법을 제안하며, 심층 컨volution 신경망을 통한 명시적 운동 추정을 통해 기울기 에코 MRI에서의 운동 아티팩트를 보정한다. SENSE의 재undancy와 이중 단계 네트워크(추정 및 보정)를 활용하여, GAN 및 강성 모델보다 뛰어난 영상 품질을 달성하며 잔차 오차와 데이터 일관성이 낮고, 최적화된 NUFFT를 사용해 임상적으로 실현 가능한 20초 내외의 재구성 시간을 구현한다.

ABSTRACT

Magnetic Resonance Imaging allows high resolution data acquisition with the downside of motion sensitivity due to relatively long acquisition times. Even during the acquisition of a single 2D slice, motion can severely corrupt the image. Retrospective motion correction strategies do not interfere during acquisition time but operate on the motion affected data. Known methods suited to this scenario are compressed sensing (CS), generative adversarial networks (GANs), and motion estimation. In this paper we propose a strategy to correct for motion artifacts using Deep Convolutional Neuronal Networks (Deep CNNs) in a reliable and verifiable manner by explicit motion estimation. The sensitivity encoding (SENSE) redundancy that multiple receiver coils provide, has in the past been used for acceleration, noise reduction and rigid motion compensation. We show that using Deep CNNs the concepts of rigid motion compensation can be generalized to more complex motion fields. Using a simulated synthetic data set, our proposed supervised network is evaluated on motion corrupted MRIs of abdomen and head. We compare our results with rigid motion compensation and GANs.

연구 동기 및 목표

• 장시간 촬영 중 생리적 운동으로 인해 영상 품질이 떨어지는 다단계 기울기 에코 MRI에서의 운동 아티팩트를 해결한다.
• 특히 GAN 및 암시적 운동 모델이 데이터 일관성이 부족하거나 모드 붕괴 문제를 겪는 등의 한계를 가진 기존의 후행적 방법의 한계를 극복한다.
• 심층 컨volution 신경망을 통한 명시적 변형장 추정을 통해 신뢰성 있고 검증 가능한 운동 보정 프레임워크를 개발한다.
• 합성 데이터 기반의 지도 학습을 통해 강성 보정을 넘어서 비강성 및 복잡한 운동장에 일반화된 보정을 가능하게 한다.
• 명시적 변형장 계산과 반복적 정밀 조정을 통해 데이터 일관성과 낮은 재구성 오차를 확보한다.

제안 방법

• 다중 수신기 코ils의 SENSE 재undancy를 활용하여, 운동에 의해 손상된 k-space 데이터에서 변형장을 예측하기 위해 지도 학습 기반의 심층 컨volution 신경망(추정 네트워크)을 사용한다.
• 추정된 변형장을 바탕으로 재구성을 보정하는 계층적 보정 네트워크를 구현하여 데이터 일관성을 최소화한다.
• 효율적인 k-space에서 영상 영역으로의 변환을 위해 궤적 최적화된 비균일 빠른 푸리에 변환(NUFFT)을 적용하여 GPU에서의 계산을 가속화한다.
• 이미지 영역에서 데이터 일관성 문제를 해결하기 위해 공액 기울기(CG) 반복을 사용하여 최종 재구성 결과가 측정된 k-space 데이터와 일치하도록 보장한다.
• 보정 네트워크에 총 미분(TV) 정규화를 통합하여 노이즈 억제 및 에지 유지 성능을 향상시킨다.
• 뇌 및 Abdomen의 합성 운동 손상 MRI 데이터를 사용해 네트워크를 훈련시키며, 현실적인 운동 패턴과 노이즈 수준을 시뮬레이션한다.

ground truth $s^{\mathrm{ref}}$

실험 결과

연구 질문

• RQ1 심층 컨볼루션 신경망을 통한 명시적 운동 추정이 이미지 품질과 데이터 일관성 측면에서 GAN 기반 및 강성 보정 방법보다 우월한가?
• RQ2 지도 학습 기반의 심층 컨볼루션 신경망이 합성 데이터에서 학습한 후 실제 다단계 GRE-MRI의 운동 아티팩트에 얼마나 잘 일반화되는가?
• RQ3 명시적 변형장의 통합이 암시적 또는 적대적 접근 방식에 비해 재구성 정확도를 얼마나 향상시키는가?
• RQ4 재구성 시간과 하드웨어 제약 조건을 고려할 때, 제안된 방법이 임상 환경에서 실현 가능한가?
• RQ5 복잡한 운동 패턴과 다양한 노이즈 수준에서 뇌 영상 및 Abdomen 영상에서 이 방법이 얼마나 강인한가?

주요 결과

• 뇌 Yale 데이터셋(0% 노이즈)에서 제안된 방법은 PSNR 41.18 dB, SSIM 0.9900을 기록하여 GAN(PSNR 29.37 dB)과 강성 모델(PSNR 38.69 dB)을 크게 능가했다.
• Abdominal 데이터셋(0% 노이즈)에서 방법은 PSNR 37.38 dB, SSIM 0.976을 달성하여 강성 보정(PSNR 30.74 dB)과 GAN(PSNR 27.57 dB)을 모두 초월했다.
• 5% 노이즈 조건에서도 높은 성능 유지를 보였다(복부에서 PSNR 35.58 dB, 뇌에서 PSNR 41.39 dB), 측정 노이즈에 대한 강인성을 입증했다.
• 잔차 오차는 복부(5% 노이즈)에서 2.687, 뇌(0% 노이즈)에서 1.911로 감소하여 강력한 데이터 일관성과 낮은 재구성 오차를 나타냈다.
• NUFFT를 사용해 스캔당 약 20초의 총 계산 시간을 기록하여 임상 적용이 가능했다.
• TV 정규화 추가로 SSIM 향상과 MSE 감소를 확인하여 정규화의 영향이 영상 품질 향상에 기여함을 입증했다.

ground truth $U^{\mathrm{ref}}_{13}$