[논문 리뷰] Scan-specific Self-supervised Bayesian Deep Non-linear Inversion for Undersampled MRI Reconstruction

Andrew P. Leynes, Nikhil Deveshwar외 2명|arXiv (Cornell University)|2022. 03. 01.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 논문은 완전히 샘플링된 데이터나 자가교정 신호가 필요 없이, 부족하게 샘플링된 MRI 재구성에 대해 스캔별로 특화된 자기지도 학습 기반 베이지안 비선형 역문제(DNLINV) 방법을 제안한다. 딥 이미지 프리오르와 근사 베이지안 추론을 활용하여, 외부 데이터셋이나 校정 스캔 없이도 다양한 해부학적 구조, 대조도 및 샘플링 패턴에서 최신 기술 수준의 재구성 품질을 달성한다.

ABSTRACT

Magnetic resonance imaging is subject to slow acquisition times due to the inherent limitations in data sampling. Recently, supervised deep learning has emerged as a promising technique for reconstructing sub-sampled MRI. However, supervised deep learning requires a large dataset of fully-sampled data. Although unsupervised or self-supervised deep learning methods have emerged to address the limitations of supervised deep learning approaches, they still require a database of images. In contrast, scan-specific deep learning methods learn and reconstruct using only the sub-sampled data from a single scan. Here, we introduce Scan-Specific Self-Supervised Bayesian Deep Non-Linear Inversion (DNLINV) that does not require an auto calibration scan region. DNLINV utilizes a deep image prior-type generative modeling approach and relies on approximate Bayesian inference to regularize the deep convolutional neural network. We demonstrate our approach on several anatomies, contrasts, and sampling patterns and show improved performance over existing approaches in scan-specific calibrationless parallel imaging and compressed sensing.

연구 동기 및 목표

• 감독 학습 기반 딥 러닝의 한계를 해결하기 위해, 완전히 샘플링된 스캔 데이터셋이 큰 규모가 필요로 하는 MRI 재구성 문제를 다루기 위함.
• 병렬 영상 및 압축 감지 방법에서 자가교정 신호(ACS)에 의존하는 문제를 해결하기 위함.
• 단일 스캔의 부분 샘플링 데이터만을 사용하여 자기지도 학습 기반의 스캔별 특화된 방법을 개발하여, 부족하게 샘플링된 MRI를 재구성하기 위함.
• 외부 데이터 없이도 다양한 해부학적 구조, 대조도 및 샘플링 패턴에서 이미지 품질 향상과 일반화 능력을 향상시키기 위함.
• 딥 신경망에서 강력한 정규화를 위해 딥 이미지 프리오르와 근사 베이지안 추론을 통합하기 위함.

제안 방법

• 이 방법은 사전 훈련 없이도 이미지의 구조를 인코딩할 수 있도록 딥 이미지 프리오르로 초기화된 딥 컨volution 신경망(CNN)을 생성 모델로 사용한다.
• MRI 재구성 문제를 베이지안 추론 문제로 설정하여, 근사 베이지안 추론을 활용해 네트워크를 정규화하고, 부족하게 샘플링된 데이터에 대한 과적합을 줄인다.
• 자기지도 학습 방식을 취하여, 완전히 샘플링된 기준 데이터가 필요 없이 단일 스캔의 부분 샘플링 k-공간 데이터만으로 훈련한다.
• 이unge의 추론 프레임워크를 사용하여 이미지 매개변수의 사후 분포를 근사함으로써, 불확실성 정량화와 더 나은 일반화를 가능하게 한다.
• 이 방법은 스캔별 특화되어 있으며, 이전 스캔 데이터베이스가 필요 없이 각 개별 MRI 촬영의 고유한 특성에 적응하도록 설계되어 있다.
• 병렬 영상 및 압축 감지 샘플링 패턴 모두에 적용 가능하여, 다양한 k-공간 궤적에서의 유연성을 보여준다.

실험 결과

연구 질문

• RQ1 자기지도 학습 기반 딥 러닝 방법이 완전히 샘플링된 데이터나 자가교정 신호 없이도 고성능 MRI 재구성을 달성할 수 있는가?
• RQ2 스캔별 딥 이미지 프리오르와 베이지안 정규화의 조합이, 부족하게 샘플링된 MRI에서 재구성 정밀도를 어떻게 향상시키는가?
• RQ3 부분 샘플링된 k-공간 데이터만으로 훈련된 방법이 다양한 해부학적 구조, 대조도 및 샘플링 패턴에서 얼마나 잘 일반화되는가?
• RQ4 근사 베이지안 추론의 통합이 딥 MRI 재구성에서 강건성과 불확실성 추정을 어떻게 향상시키는가?
• RQ5 제안된 DNLINV 방법이 기존의 스캔별 및 자기지도 학습 기반 접근법보다 이미지 품질과 재구성 정확도 측면에서 뛰어나게 성능을 냈는가?

주요 결과

• 제안된 DNLINV 방법은 다양한 해부학적 영역과 대조도에서 기존의 스캔별 및 자기지도 학습 기반 방법보다 뛰어난 재구성 품질을 달성한다.
• 완전히 샘플링된 데이터나 ACS 영역에 접근할 수 없음에도 불구하고, 병렬 영상 및 압축 감지 환경 모두에서 일관된 성능 향상을 보였다.
• 외부 데이터셋이나 교정 스캔이 필요 없기 때문에, 완전히 샘플링된 데이터가 확보되지 않는 임상 환경에서의 실용적 적용을 가능하게 한다.
• 딥 이미지 프리오르와 베이지안 추론의 통합은 특히 낮은 샘플링 조건에서 일반화 능력 향상과 과적합 감소에 기여한다.
• 불확실성 인식 재구성 기능을 제공하여, 출력의 이미지 품질과 신뢰도에 대한 확률적 추정을 가능하게 한다.
• 기준 데이터셋에서 PSNR 및 SSIM 측정치에서 최신 기술 수준의 성능을 달성하였으며, 이는 이전의 스캔별 접근법 대비 정량적 개선을 보였다.