[논문 리뷰] Stochastic Optimization of 3D Non-Cartesian Sampling Trajectory (SNOPY)

Guanhua Wang, Jon‐Fredrik Nielsen외 2명|arXiv (Cornell University)|2022. 09. 22.

Advanced MRI Techniques and Applications인용 수 6

한 줄 요약

SNOPY는 기울기 기반 확률적 최적화를 사용하여 3D 비데카르트형 MRI 샘플링 경로를 미분 가능하고 데이터 기반으로 최적화하는 프레임워크를 제안한다. 영상 품질 손실, 하드웨어 제약, PNS 영향, 대trast 목표를 동시에 최소화함으로써 시뮬레이션에서는 재구성 PSNR를 최대 4 dB 향상시키고, 실제 적용에서는 1.4 dB 향상시키며, 실제 스캔에서는 PNS 심각도를 '강한'에서 '약한' 수준으로 감소시켰다.

ABSTRACT

Optimizing 3D k-space sampling trajectories for efficient MRI is important yet challenging. This work proposes a generalized framework for optimizing 3D non-Cartesian sampling patterns via data-driven optimization. We built a differentiable MRI system model to enable gradient-based methods for sampling trajectory optimization. By combining training losses, the algorithm can simultaneously optimize multiple properties of sampling patterns, including image quality, hardware constraints (maximum slew rate and gradient strength), reduced peripheral nerve stimulation (PNS), and parameter-weighted contrast. The proposed method can either optimize the gradient waveform (spline-based freeform optimization) or optimize properties of given sampling trajectories (such as the rotation angle of radial trajectories). Notably, the method optimizes sampling trajectories synergistically with either model-based or learning-based reconstruction methods. We proposed several strategies to alleviate the severe non-convexity and huge computation demand posed by the high-dimensional optimization. The corresponding code is organized as an open-source, easy-to-use toolbox. We applied the optimized trajectory to multiple applications including structural and functional imaging. In the simulation studies, the reconstruction PSNR of a 3D kooshball trajectory was increased by 4 dB with SNOPY optimization. In the prospective studies, by optimizing the rotation angles of a stack-of-stars (SOS) trajectory, SNOPY improved the PSNR by 1.4dB compared to the best empirical method. Optimizing the gradient waveform of a rotational EPI trajectory improved subjects' rating of the PNS effect from 'strong' to 'mild.' In short, SNOPY provides an efficient data-driven and optimization-based method to tailor non-Cartesian sampling trajectories.

연구 동기 및 목표

• MRI에서 3D 비데카르트형 k-스페이스 샘플링 경로를 최적화하기 위한 일반화되고, 미분 가능한 프레임워크 개발.
• 영상 품질, 하드웨어 제약(스류 레이트, 기울기 강도), PNS 감소, 대trast를 포함한 다중 영상 최적화 목표를 동시에 최적화.
• 자유형 기울기 웨이브폼과 기존 경로 파라미터(예: 스택오브스터즈의 회전 각도)를 하나의 프레임워크 내에서 최적화 가능하게 설계.
• 모델 기반 및 학습 기반 재구성 방법과 함께 경로 최적화를 통합.
• 3D 경로 최적화의 고차원성과 비凸성 문제를 해결하기 위해 고급 수치 전략 적용.

제안 방법

• 기울기 기반 최적화를 가능하게 하기 위해, 다양한 샘플링 경로를 모델링하는 미분 가능한 MRI 시스템 모델을 구축.
• 영상 품질(PSNR), PNS 억제, 하드웨어 제약, 대trast를 포함한 다중 손실 함수를 통합 최적화 목표로 조합.
• 두 가지 모드 지원: B-spline 파arameterization를 통한 자유형 기울기 웨이브폼 최적화 또는 기존 경로 파라미터(예: 스택오브스터즈의 회전 각도) 최적화.
• 비凸성 문제를 완화하기 위해 효과적인 자코비안 근사, 다중 수준 최적화, SGLD(확률적 기울기 랭그윈 역학), 그리고 굵은-세밀한 정렬 전략 적용.
• 모델 기반 및 학습 기반 재구성과 호환되며, 전방 모델에 시스템 불완전성(예: 에디 큐런트, B0 비균일성)을 통합할 수 있도록 설계.
• 재현성과 기존 워크플로우에의 통합을 위해 오픈소스이고 모듈러한 툴박스 제공.

실험 결과

연구 질문

• RQ1 통합적이고, 미분 가능한 프레임워크는 영상 품질, 하드웨어 제약, PNS 영향을 균형 있게 고려하면서 3D 비데카르트형 샘플링 경로를 최적화할 수 있는가?
• RQ2 시뮬레이션 및 실제 MRI 스캔에서 SNOPY는 경험적 또는 분석적 경로 설계에 비해 영상 품질을 어떻게 향상시키는가?
• RQ3 자유형 웨이브폼 외에도 기존 경로 파라미터(예: 회전 각도)를 최적화할 수 있는 정도는 얼마나 높은가? 이는 실용적 사용성 향상에 기여하는가?
• RQ4 다른 시퀀스나 해부학적 영역을 포함한 훈련과 실제 이미징 프rotocol 간 분포 이탈에 대해 SNOPY는 얼마나 강인한가?
• RQ5 에디 큐런트, 기울기 비선형성 등 시스템 불완전성을 최적화 과정에 통합할 수 있는가? 이는 실제 적용에서의 강인성 향상에 기여하는가?

주요 결과

• 시뮬레이션에서 SNOPY는 3D 코쉬볼 경로의 PSNR를 기준선 대비 4 dB 향상시켰다.
• 실제 3D 영상에서 SNOPY는 스택오브스터즈 경로의 회전 각도 최적화를 통해 가장 우수한 경험적 방법 대비 PSNR를 1.4 dB 향상시켰다.
• 회전형 EPI에서 SNOPY는 기울기 웨이브폼 최적화를 통해 피험자 보고의 PNS 심각도를 '강한'에서 '약한' 수준으로 감소시켰다.
• 중간 정도의 분포 이탈에 대해도 강인함을 입증하였으며, 2D 실험에서 다양한 해부학, 대조, 제조사 간 이미지 품질 향상을 보였다.
• SNOPY의 최적화는 에디 큐런트 보정 및 B0 인포머드 재구성과 같은 기존 보정 방법과 호환됨.
• SGLD, 다중 수준 최적화, 파라미터화 전략을 통해 비凸성 문제를 효과적으로 다루어 안정적이고 향상된 수렴 성능을 달성함.