[논문 리뷰] Towards multi-sequence MR image recovery from undersampled k-space data

Peng Cheng, Wei-An Lin외 2명|arXiv (Cornell University)|2019. 08. 15.

Advanced MRI Techniques and Applications참고 문헌 16인용 수 5

한 줄 요약

이 논문은 전체 시간 예산 내에서 샘플링 전략과 딥러닝 기반 복원을 공동으로 최적화하는 빔리스 복원 모델(BRM)을 제안한다. 다중 시퀀스 자기공명 영상(MRI) 복원을 위해, 다중 입력 단일 출력 컨볼루션 신경망을 활용해 시퀀스 간 공유 정보를 활용함으로써, 개별 시퀀스 복원 방식을 능가하는 성능을 달성한다. 실제 데이터에서 최대 40.07 dB PSNR와 0.987 SSIM 성능을 기록했으며, 시간은 75% 감소시켰다.

ABSTRACT

Undersampled MR image recovery has been widely studied for accelerated MR acquisition. However, it has been mostly studied under a single sequence scenario, despite the fact that multi-sequence MR scan is common in practice. In this paper, we aim to optimize multi-sequence MR image recovery from undersampled k-space data under an overall time constraint while considering the difference in acquisition time for various sequences. We first formulate it as a constrained optimization problem and then show that finding the optimal sampling strategy for all sequences and the best recovery model at the same time is combinatorial and hence computationally prohibitive. To solve this problem, we propose a blind recovery model that simultaneously recovers multiple sequences, and an efficient approach to find proper combination of sampling strategy and recovery model. Our experiments demonstrate that the proposed method outperforms sequence-wise recovery, and sheds light on how to decide the undersampling strategy for sequences within an overall time budget.

연구 동기 및 목표

• 고정된 시간 예산 내에서 다중 시퀀스 MRI 촬영을 가속화하면서도 이미지 품질을 유지하는 데 도전하는 것.
• 샘플링 전략과 복원 모델의 공동 최적화를 조합 복잡도를 피하기 위해 제약 조건이 있는 문제로 공식화하는 것.
• 다중 시퀀스 간 부재 정보를 활용해 동시에 다중 시퀀스 복원을 수행할 수 있는 빔리스 복원 모델을 개발하는 것.
• 각 구성에 맞는 전용 모델을 훈련시키지 않고도 시퀀스 간 최적의 샘플링 인자 조합을 효율적으로 탐색할 수 있도록 하는 것.
• 공동 복원 방식이 독립적인 단일 시퀀스 복원 방식보다 품질과 효율성 측면에서 뛰어나다는 것을 입증하는 것.

제안 방법

• 전체 촬영 시간과 이미지 품질을 균형 잡는 제약 조건이 있는 최적화 문제로 다중 시퀀스 MRI 복원을 공식화한다.
• 다양한 저공간 시퀀스를 동시에 처리하기 위해 공유된 CNN 인코더를 활용하는 빔리스 복원 모델(BRM)을 도입하여 시퀀스 간 상관관계를 활용한다.
• 다중 입력 다중 출력(MIMO) 훈련 전략을 사용해 시퀀스 간 공동 샘플링 및 복원 패tern을 학습한다.
• 사이클릭 손실을 활용한 피취닝 단계를 통해 BRM을 특정 샘플링 인자 조합에 맞게 적응시킨다.
• 시간 제약 조건 하에서 복원 품질을 극대화하는 고성능 조합을 찾기 위해 샘플링 인자(λs)에 대한 히우리스틱 검색을 수행한다.
• 모델 훈련을 전반적으로 반복하지 않기 위해 제로 필링(ZF) 성능을 프록시로 사용하여 BRM 성능을 예측한다.

실험 결과

연구 질문

• RQ1 고정된 총 촬영 시간 조건 하에서 다중 MRI 시퀀스 간 최적의 샘플링 전략은 무엇인가?
• RQ2 공유 구조적 정보를 활용해 단일 딥러닝 모델이 동시에 여러 MRI 시퀀스를 효과적으로 복원할 수 있는가?
• RQ3 공동 다중 시퀀스 복원 방식은 독립적 단일 시퀀스 복원 방식과 비교해 이미지 품질과 계산 효율성 측면에서 어떻게 다른가?
• RQ4 ZF 성능이 다양한 샘플링 구성 조건에서 빔리스 복원 모델의 성능을 얼마나 잘 예측할 수 있는가?
• RQ5 제안된 방법은 시퀀스 간 비균형적인 촬영 시간 비율에 어떻게 적응하는가?

주요 결과

• 제안된 BRM는 실제 데이터에서 총 시간 예산(Tmax = T/4)을 75% 감소시키면서도 최대 40.07 dB PSNR와 0.987 SSIM 성능을 달성했으며, SISO 및 MIMO 기준선을 모두 초월했다.
• MIMO 기반 BRM는 1:1:1 시간 할당 조건에서 실제 데이터에서 39.24 dB PSNR와 0.984 SSIM 성능을 기록했으며, SISO(38.57 dB, 0.980 SSIM)보다 유의미하게 뛰어났다.
• 이 방법은 T2-가중 시퀀스가 더 높은 샘플링 비율을 필요로 하며, 이는 전체 복원에 도움이 되는 뛰어난 조직 대비를 제공하기 때문임을 규명했다.
• ZF 성능과 BRM 성능 간 상관관계는 일관되지 않았으며, 이는 최적의 구성 조합을 예측하기 위해 전용 BRM가 필요함을 입증했다.
• 최상의 샘플링 인자 조합에 대해 BRM을 피취닝함으로써 PSNR가 최대 0.9 dB 향상되었으며, 이는 적응형 모델 정밀 조정의 효과를 입증한다.
• 비균형적인 시간 할당 조건에도 성공적으로 적응했으며, T1 촬영 시간이 짧을 경우 더 자주 촬영함으로써 T2 및 FLAIR 복원 품질을 유지했다.