[논문 리뷰] Robust partial Fourier reconstruction for diffusion-weighted imaging using a recurrent convolutional neural network

Fasil Gadjimuradov, Thomas Benkert외 2명|arXiv (Cornell University)|2021. 05. 19.

Advanced Neuroimaging Techniques and Applications참고 문헌 33인용 수 11

한 줄 요약

이 논문은 비만성 위상 변화가 흔한 Abdominal 및 고b값 DWI에서 부분 푸리에(Partial Fourier, PF) 재구성에 대해 강건한 부분 푸리에 재구성 기법을 제안한다. 이는 반복 컨volution 신경망(Recurrent Convolutional Neural Network, RCNN) 기반의 unrolled proximal splitting 알고리즘을 사용하며, 특히 비연속적인 위상 변화가 발생하는 영역에서 기존 PF 기법에 비해 심각한 잡음 문제를 크게 감소시킨다. 동일한 슬라이스의 여러 반복 캡처를 순열에 대한 불변성(permutation-equivariant)을 갖는 RCNN을 통해 동시에 재구성함으로써, 전반적인 영상 품질과 다양한 해부학적 구조 및 해상도에서의 일반화 능력을 향상시킨다. 이는 강한 PF 인자(예: 5/8)에서도 뛰어난 성능을 기록한다.

ABSTRACT

Purpose: To develop an algorithm for robust partial Fourier (PF) reconstruction applicable to diffusion-weighted (DW) images with non-smooth phase variations. Methods: Based on an unrolled proximal splitting algorithm, a neural network architecture is derived which alternates between data consistency operations and regularization implemented by recurrent convolutions. In order to exploit correlations, multiple repetitions of the same slice are jointly reconstructed under consideration of permutation-equivariance. The algorithm is trained on DW liver data of 60 volunteers and evaluated on retrospectively and prospectively sub-sampled data of different anatomies and resolutions. Results: The proposed method is able to significantly outperform conventional PF techniques on retrospectively sub-sampled data in terms of quantitative measures as well as perceptual image quality. In this context, joint reconstruction of repetitions as well as the particular type of recurrent network unrolling are found to be beneficial with respect to reconstruction quality. On prospectively PF-sampled data, the proposed method enables DW imaging with higher signal without sacrificing image resolution or introducing additional artifacts. Alternatively, it can be used to counter the TE increase in acquisitions with higher resolution. Further, generalizability can be shown to prospective brain data exhibiting anatomies and contrasts not present in the training set. Conclusion: This work demonstrates that robust PF reconstruction of DW data is feasible even at strong PF factors in anatomies prone to phase variations. Since the proposed method does not rely on smoothness priors of the phase but uses learned recurrent convolutions instead, artifacts of conventional PF methods can be avoided.

연구 동기 및 목표

• 운동에 민감한 영역(예: Abdomen)에서 발생하는 비연속적인 위상 변화로 인해 기존의 PF 재구성 기법에서 발생하는 잡음 문제를 해결하기 위해.
• 고주파 위상 영역에서 실패하는 전통적인 위상의 매끄러움에 기반한 사전 지식에 의존하지 않는 딥러닝 기반 재구성 방법을 개발하기 위해.
• 동일한 슬라이스의 여러 반복 캡처를 함께 재구성함으로써, 순열에 대한 불변성을 갖는 학습 기법을 통해 재구성 품질을 향상시키기 위해.
• 임상적 DWI 시퀀스에서 해상도 손실 없이 또는 잡음 없이 강력한 PF 재구성 기법을 제공하기 위해, 특히 높은 PF 인자(예: 5/8)에서도 성능을 유지를 하기 위해.
• 학습 데이터에 존재하지 않는 대조도나 해부학적 영역(예: 뇌)을 포함한 미래 데이터에 대한 일반화 능력을 검증하기 위해.

제안 방법

• 이 방법은 프록시멀 스플릿팅 알고리즘을 unrolling한 것으로, 데이터 일관성 단계와 반복 컨볼루션(Convoluational Gated Recurrent Units, ConvGRUs)을 통한 정규화 단계를 번갈아 적용한다.
• 정규화 항을 모델링하기 위해 ConvGRUs를 사용하는 반복 컨볼루션 신경망(RCNN)을 도입하여 기존의 매끄러운 위상에 기반한 사전 지식을 대체한다.
• 동일한 슬라이스의 여러 반복 캡처를 Deep Set 기반 아키텍처를 통해 순열에 대한 불변성을 보장하면서 동시에 재구성한다.
• 60명의 자원자로부터 확보한 후행적 과도한 샘플링된 DWI 데이터를 대상으로 지도 학습 방식으로 학습을 수행하며, 참조 영상(ground-truth images)을 목표로 한다.
• 획득된 k-space 데이터에 대한 충실도를 보장하는 데이터 일관성 단계를 아키텍처에 통합하여 물리적 타당성을 확보한다.
• 성능와 파rameter 효율성의 균형을 확보하기 위해 unrolling 과정을 최적화하여, K배 더 적은 파라미터로도 캐스케이드 네트워크와 유사한 성능을 달성한다.

실험 결과

연구 질문

• RQ1 강력하고 비연속적인 위상 변화가 발생하는 DWI에서 딥러닝 기반 PF 재구성 기법이 기존 기법보다 뛰어난 성능을 보일 수 있는가?
• RQ2 동일한 슬라이스의 여러 반복 캡처를 함께 재구성하는 방식이 개별 재구성에 비해 재구성 품질을 향상시키는가?
• RQ3 Unrolled 프록시멀 스플릿팅을 사용하는 반복 컨볼루션 네트워크 아키텍처가, 가중치 공유 또는 캐스케이드 방식과 비교해 영상 품질과 파라미터 효율성 측면에서 뛰어난 성능을 보일 수 있는가?
• RQ4 제안된 방법이 학습 데이터에 존재하지 않은 대조도나 해부학적 영역(예: 뇌)을 포함한 미래 데이터에 대해 일반화 가능한가?
• RQ5 특히 고b값에서 큰 위상 오차로 인한 k-space 중심 이동에 대해 이 방법이 강건한가?

주요 결과

• 후행적 과도한 샘플링된 데이터에서 제안된 방법은 기존 PF 기법(예: Homodyne, POCS)을 크게 능가했으며, 개별 반복 재구성(DRPFNone) 대비 PSNR +0.56 dB, SSIM +0.0129 향상되었다.
• 반복 캡처의 공동 재구성 방식은 순수한 정제된 데이터 재구성 대비 PSNR −0.53 dB, SSIM −0.0066 감소를 보였지만, 여전히 개별 재구성 방식을 능가하는 성능을 기록했다.
• 반복 unrolling 전략은 캐스케이드 네트워크 대비 K배 더 적은 파라미터로도 뛰어난 성능을 달성하여 파라미터 효율성을 입증했다.
• 전향적 과도한 샘플링된 데이터에서, 이 방법은 해상도 손실 없이 또는 잡음 없이 더 높은 SNR를 확보하거나 고해상도 촬영에서 TE를 줄이는 데 기여했다.
• 뇌 DWI 데이터에 대한 전향적 검증에서, 학습 데이터에 존재하지 않는 대조도나 해부학적 영역(예: 간 데이터)을 포함한 경우에도 잘 일반화되는 것으로 나타났다.
• 고b값 케이스 중 약 0.53%에서(k = 800 s/mm²), k-space 중심 이동이 샘플링 영역을 벗어나는 것으로 관찰되었으며, 이러한 경우의 신호 손실은 반복 평균화 덕분에 평균 영상에 미미한 영향을 미쳤다.