[논문 리뷰] Synergistic Reconstruction and Synthesis via Generative Adversarial Networks for Accelerated Multi-Contrast MRI

Salman Ul Hassan Dar, Mahmut Yurt외 3명|arXiv (Cornell University)|2018. 05. 27.

Advanced MRI Techniques and Applications참고 문헌 26인용 수 13

한 줄 요약

이 논문은 공유된 고주파 수치를 이용해 이미지 품질을 유지하면서 가속화된 다중 대조 MRI에서 동시 복원 및 합성에 기반한 조건부 생성 적대 신경망(cGAN) 기반 방법을 제안한다. 이 방법은 실질적인 복원 및 합성 과정을 동시에 수행함으로써 고가속도 요인에서도 최신 기술보다 뛰어난 이미지 품질을 달성하며 잡음과 기하학적 왜곡을 최소화한다.

ABSTRACT

Multi-contrast MRI acquisitions of an anatomy enrich the magnitude of information available for diagnosis. Yet, excessive scan times associated with additional contrasts may be a limiting factor. Two mainstream approaches for enhanced scan efficiency are reconstruction of undersampled acquisitions and synthesis of missing acquisitions. In reconstruction, performance decreases towards higher acceleration factors with diminished sampling density particularly at high-spatial-frequencies. In synthesis, the absence of data samples from the target contrast can lead to artefactual sensitivity or insensitivity to image features. Here we propose a new approach for synergistic reconstruction-synthesis of multi-contrast MRI based on conditional generative adversarial networks. The proposed method preserves high-frequency details of the target contrast by relying on the shared high-frequency information available from the source contrast, and prevents feature leakage or loss by relying on the undersampled acquisitions of the target contrast. Demonstrations on brain MRI datasets from healthy subjects and patients indicate the superior performance of the proposed method compared to previous state-of-the-art. The proposed method can help improve the quality and scan efficiency of multi-contrast MRI exams.

연구 동기 및 목표

• 다중 대조 MRI의 장시간 스캔 문제를 해결하기 위해 더 빠른 촬영을 가능하게 하기 위해.
• 기존의 복원 및 합성 방법에서 고주파 수치 손실이나 특징 유출 등의 한계를 극복하기 위해.
• 더 나은 이미지 품질을 위해 복원되지 않은 대조 영상 데이터와 원천 대조 정보를 통합적으로 활용하는 통합 프레임워크를 개발하기 위해.
• 가속화된 다중 대조 MRI 스캔에서 미세한 해부학적 구조를 유지하고 잡음을 줄이기 위해.

제안 방법

• 이 방법은 목표 대조 영상의 저해상도 k-space 데이터와 원천 대조 영상을 입력으로 사용하는 조건부 생성 적대 신경망(cGAN)을 활용한다.
• 생성자 네트워크는 대조 간 공유된 고주파 내용을 활용하여 고품질 이미지를 복원하도록 훈련된다.
• 판별자 네트워크는 실제 이미지와 생성된 이미지를 구분함으로써 시각적 현실감과 구조적 정확성을 강제한다.
• 모델은 생성 적대 손실, 인지적 손실, 복원 손실을 포함하는 복합 손실 함수를 사용해 엔드 투 엔드로 훈련된다.
• 원천 대조 영상의 고주파 수치를 명시적으로 활용하여 목표 대조 영상의 복원 과정을 안내함으로써 질감과 윤곽의 유지가 향상된다.
• 실제로 복원되지 않은 목표 대조 영상 데이터에 의존함으로써 특징 유출을 방지하여 해부학적 정확성이 보장된다.

실험 결과

연구 질문

• RQ1 통합된 딥 러닝 프레임워크가 고속 다중 대조 MRI에서 복원과 합성을 효과적으로 융합하여 이미지 품질을 향상시킬 수 있는가?
• RQ2 원천 대조 영상에서 공유된 고주파 정보를 활용할 경우 복원 및 합성된 목표 대조 영상의 정확도가 어떻게 향상되는가?
• RQ3 단독 복원 또는 단독 합성 기법 대비 제안된 방법이 잡음 감소 및 미세한 해부학적 구조 유지에 얼마나 효과적인가?
• RQ4 기존 방법이 떨어지는 고가속도 요인 조건에서 모델의 성능은 어떠한가?
• RQ5 실제로 복원되지 않은 목표 대조 영상 데이터를 사용함으로써 합성 과정에서 특징 유출이 방지되는가?

주요 결과

• 제안된 방법은 고가속도 요인에서도 특히 두드러지게 뛰어난 고주파 수치 유지 능력을 보이며 최신 기술보다 뚜렷한 성능 향상을 보였다.
• 건강한 피험자와 환자에게서 확득한 뇌 MRI 데이터셋에 대한 정량적 평가에서 기준 방법 대비 PSNR 및 SSIM 지표에서 뛰어난 성능을 입증하였다.
• 실제로 복원되지 않은 데이터와 원천 대조 영상의 고주파 사전 지식을 융합함으로써 잡음 감소와 해부학적 정확성 유지가 효과적으로 이루어졌다.
• 시각적 평가 결과 복원 및 합성된 이미지에서 구조 일관성이 향상되고 블러링 현상이 감소한 것으로 확인되었다.
• 복원과 합성의 상호보완적 융합은 복원 또는 합성 단독 기법보다 더 현실적인 질감과 윤곽 유지 능력을 보였다.
• 다양한 해부학적 구조와 스캔 프로토콜에 걸쳐 뛰어난 일반화 능력을 확보하여 안정적인 성능을 보였다.