[논문 리뷰] Unsupervised MR Motion Artifact Deep Learning using Outlier-Rejecting Bootstrap Aggregation

Gyutaek Oh, Jeong Eun Lee외 1명|arXiv (Cornell University)|2020. 11. 12.

Advanced MRI Techniques and Applications참고 문헌 44인용 수 6

한 줄 요약

이 논문은 자기공명 영상(MR)의 운동 아티팩트 보정을 위한 비지도(deep) 학습 방법을 제안한다. 이 방법은 위상 인코딩 방향으로 k-space의 부분표본화를 통해 이상치를 거부하는 부트스트랩 집합화를 사용하여 운동 유도 k-space 이상치를 억제한다. 최적의 운반 최적화 기반 비지도 학습을 통해 사이클-GAN을 훈련시킴으로써, 쌍화된 훈련 데이터가 없더라도 고화질의 아티팩트 제거를 달성하며, 시뮬레이션된 실수 및 실제의 일시적 심한 운동(TSM) 데이터에서 최신 기술보다 우수한 성능을 발휘한다.

ABSTRACT

Recently, deep learning approaches for MR motion artifact correction have been extensively studied. Although these approaches have shown high performance and reduced computational complexity compared to classical methods, most of them require supervised training using paired artifact-free and artifact-corrupted images, which may prohibit its use in many important clinical applications. For example, transient severe motion (TSM) due to acute transient dyspnea in Gd-EOB-DTPA-enhanced MR is difficult to control and model for paired data generation. To address this issue, here we propose a novel unsupervised deep learning scheme through outlier-rejecting bootstrap subsampling and aggregation. This is inspired by the observation that motions usually cause sparse k-space outliers in the phase encoding direction, so k-space subsampling along the phase encoding direction can remove some outliers and the aggregation step can further improve the results from the reconstruction network. Our method does not require any paired data because the training step only requires artifact-free images. Furthermore, to address the smoothing from potential bias to the artifact-free images, the network is trained in an unsupervised manner using optimal transport driven cycleGAN. We verify that our method can be applied for artifact correction from simulated motion as well as real motion from TSM successfully, outperforming existing state-of-the-art deep learning methods.

연구 동기 및 목표

• 임상 환경에서 운동 없음 및 아티팩트 유도 MR 영상의 쌍화된 데이터 부족 문제를 해결하기 위해, 특히 Gd-EOB-DTPA 강화 MRI에서의 일시적 심한 운동(TSM)에 초점을 맞춘다.
• 일반적으로 실제 임상 응용에서 확보하기 어려운 지도 학습을 위한 쌍화된 데이터가 필요 없는 딥 러닝 방법을 개발하여 운동 아티팩트를 보정한다.
• 운동 유도 위상 인코딩 아티팩트의 희박성 특성을 활용하여 k-space 이상치를 명시적으로 거부함으로써 영상 품질을 향상시킨다.
• 표준 지도 학습 대신 최적 운반 최적화 기반 사이클-GAN을 사용하여 블러링을 줄이고 해부학적 세부 정보를 유지한다.

제안 방법

• 위상 인코딩 방향으로 k-space 부분표본화를 사용하여 운동 유도 이상치를 확률적으로 거부하며, k-space에서의 희박성을 활용한다.
• 다양한 무작위 k-space 부분표본화 마스크를 사용해 복원 네트워크를 훈련시켜 부트스트랩 집합화를 적용함으로써 강건성을 향상시킨다.
• 쌍화된 데이터에 의한 편향을 피하기 위해, 아티팩트 영상과 청소년 영상 간 도메인 분포를 정렬하기 위해 최적 운반 최적화 기반 사이클-GAN 프레임워크를 사용한다.
• 훈련 중에 쌍화된 데이터가 필요 없도록, 오직 아티팩트 없는 MR 영상만으로 네트워크를 훈련시킨다.
• 실제 임상 환경의 운동 아티팩트, 특히 간장기능 영상에서의 TSM에 대해 강건한 프레임워크를 설계한다.
• 명시적인 운동 모델링 없이도 k-space 부분표본화와 딥 러닝 복원을 통합하여 아티팩트 보정을 달성한다.

실험 결과

연구 질문

• RQ1 위상 인코딩 방향으로 k-space 부분표본화를 수행함으로써 운동 유도 이상치를 효과적으로 거를 수 있는가?
• RQ2 최적 운반 최적화 기반 사이클-GAN을 사용한 비지도 학습이 지도 학습보다 영상 세부 정보를 더 잘 유지하고 블러링을 줄이는가?
• RQ3 제안된 방법이 어떤 쌍화된 훈련 데이터도 필요 없이 고화질의 운동 아티팩트 보정을 달성할 수 있는가?
• RQ4 기존 최신 기술 대비 실제 일시적 심한 운동(TSM) 데이터에서의 성능은 어떠한가?
• RQ5 이 방법의 성능은 부분표본화 방향에 민감한가? 위상 인코딩 방향 부분표본화가 유일하게 아티팩트 보정을 가능하게 하는가?

주요 결과

• 이 방법은 Gd-EOB-DTPA 강화 MRI 스캔에서 TSM 영향을 받은 시뮬레이션 및 실제 운동 아티팩트를 쌍화된 데이터 없이도 성공적으로 보정한다.
• 위상 인코딩 방향으로 부분표본화하는 것이 아티팩트 보정에 필수적이다; 주파수 인코딩 방향 부분표본화에서는 운동 아티팩트를 제거하지 못한다.
• 최적 운반 최적화 기반 비지도 사이클-GAN은 지도 학습 대비 더 나은 해부학적 세부 텍스처를 유지하며, 지도 학습은 블러링을 유도한다.
• 쌍화된 데이터를 사용하지 않음에도 불구하고, 지도 학습 최신 기술인 MARC와 비교해 경쟁적인 정량적 지표를 확보한다.
• 임상 평가 결과, 이 방법은 개선된 구조적 정밀도와 감소된 아티팩트를 가진 진단적으로 사용 가능한 영상을 생성함을 확인한다.
• 정량적 지표와 정성적 결과 모두에서 Cycle-MedGAN V2.0를 능가하며 잔류 아티팩트의 증폭을 방지한다.