[논문 리뷰] Unsupervised MRI Reconstruction with Generative Adversarial Networks

Elizabeth K. Cole, John M. Pauly외 2명|arXiv (Cornell University)|2020. 08. 29.

Advanced MRI Techniques and Applications참고 문헌 41인용 수 33

한 줄 요약

이 논문은 전 완전 샘플링 데이터 없이 MRI 재구성을 위한 심층 학습 프레임워크를 제안한다. 생성적 적대 신경망(GAN)을 사용하여 undersampling 하에서 해부학적 구조를 복원한다. 무릎 및 복부 DCE 사례에서 기존 방법에 비해 개선을 시연한다.

ABSTRACT

Deep learning-based image reconstruction methods have achieved promising results across multiple MRI applications. However, most approaches require large-scale fully-sampled ground truth data for supervised training. Acquiring fully-sampled data is often either difficult or impossible, particularly for dynamic contrast enhancement (DCE), 3D cardiac cine, and 4D flow. We present a deep learning framework for MRI reconstruction without any fully-sampled data using generative adversarial networks. We test the proposed method in two scenarios: retrospectively undersampled fast spin echo knee exams and prospectively undersampled abdominal DCE. The method recovers more anatomical structure compared to conventional methods.

연구 동기 및 목표

• 완전 샘플링 데이터가 없거나 얻기 어려운 경우 MRI 재구성을 위한 비지도 학습의 동기를 제시합니다(예: DCE, 3D 심장, 4D 흐름).
• 완전 샘플링 참조 없이 재구성을 배우는 GAN 기반 프레임워크를 개발합니다.
• 회고적으로 undersampled knee fast spin-echo 및 prospectively undersampled abdominal DCE 데이터에 대해 접근법을 시연합니다.

제안 방법

• 완전 샘플링 ground truth 없이 MRI 재구성을 수행하기 위해 Generative Adversarial Network를 활용합니다.
• 재구성된 영상이 현실적인 해부학과 일치하도록 adversarial loss를 통해 비지도 목표로 학습합니다.
• 두 가지 undersampling 시나리오에서 재구성 품질을 기존 방법과 비교 평가합니다(회고적 knee FSE 및 prospectively abdominal DCE).
• 재구성 영상의 해부학적 구조 보존에 초점을 둡니다.

실험 결과

연구 질문

• RQ1 GAN을 사용하여 완전 샘플링 ground truth 데이터가 없어도 MRI 재구성을 효과적으로 학습할 수 있는가?
• RQ2 비지도 GAN 기반 재구성이 undersampling 하에서 전통적 방법보다 해부학적 구조를 더 잘 보존하는가?
• RQ3 방법은 서로 다른 undersampling 체계(회고적 knee FSE 및 prospective abdominal DCE)에서 어떻게 성능을 보이는가?

주요 결과

• GAN 기반 프레임워크는 테스트 시나리오에서 기존 방법에 비해 더 많은 해부학적 구조를 복원합니다.