[논문 리뷰] VS-Net: Variable splitting network for accelerated parallel MRI reconstruction

Jinming Duan, Jo Schlemper외 8명|arXiv (Cornell University)|2019. 07. 19.

Advanced MRI Techniques and Applications참고 문헌 16인용 수 16

한 줄 요약

VS-Net는 변수 분할 최적화 방식을 신경망으로 전개한 딥러닝 기반의 종단간(end-to-end) 학습 가능한 네트워크로, 노이즈 제거, 데이터 일관성, 가중 평균 블록을 포함한다. 분석적이고 지점 기반의 데이터 일관성 레이어와 CNN 기반의 학습 가능한 노이즈 제거를 통해 4배 및 6배 가속화된 무릎 MRI 데이터에서 PSNR 및 SSIM 측정치에서 기존 방법을 능가하는 최고 수준의 영상 품질과 계산 효율성을 달성한다.

ABSTRACT

In this work, we propose a deep learning approach for parallel magnetic resonance imaging (MRI) reconstruction, termed a variable splitting network (VS-Net), for an efficient, high-quality reconstruction of undersampled multi-coil MR data. We formulate the generalized parallel compressed sensing reconstruction as an energy minimization problem, for which a variable splitting optimization method is derived. Based on this formulation we propose a novel, end-to-end trainable deep neural network architecture by unrolling the resulting iterative process of such variable splitting scheme. VS-Net is evaluated on complex valued multi-coil knee images for 4-fold and 6-fold acceleration factors. We show that VS-Net outperforms state-of-the-art deep learning reconstruction algorithms, in terms of reconstruction accuracy and perceptual quality. Our code is publicly available at https://github.com/j-duan/VS-Net.

연구 동기 및 목표

• 고도로 미리 샘플링된 k-공간 데이터로부터 고해상도 병렬 MRI 영상을 효율적으로 재구성할 수 있는 딥러닝 프레임워크를 개발하는 것.
• 기존 딥러닝 방법들이 복잡하고 계산 비용이 높은 연산을 수반하는 다중 코ils MRI 데이터를 처리하는 데에 한계를 보이는 문제를 해결하는 것.
• 반복적인 변수 분할 최적화 과정을 학습 가능한 신경망으로 전개하는 단순하면서도 효과적인 아키텍처를 설계하는 것.
• 기존 최고 수준의 방법들인 VN 및 ℓ1-SPIRiT에 비해 재구성 정확도와 시각적 품질을 향상시키는 것.
• 학습 가능한 가중치 파라미터와 네트워크 깊이가 재구성 성능에 미치는 영향을 조사하는 것.

제안 방법

• 변수 분할을 사용하여 병렬 압축 센싱 MRI 재구성을 다변수 에너지 최소화 문제로 공식화한다.
• 반복적인 변수 분할 최적화를 신경망으로 전개하며, 주요 블록으로는 CNN 기반 노이즈 제거기, 분석적이고 지점 기반의 데이터 일관성 레이어, 학습 가능한 가중치를 가진 가중 평균 블록을 포함한다.
• 증강 라그랑주안의 방법 대신 페널티 함수 방법을 사용하여 ALM 기반 방법에 비해 네트워크 아키텍처를 단순화한다.
• 복소수 값을 가지는 다중 코일 MRI 데이터를 입력으로 사용하며, 오프라인 훈련 중에 모든 파라미터를 종단간으로 학습한다.
• 카르테시안 미리 샘플링 패턴을 적용하고, 성능 향상을 위해 고정된 스테이지 수(예: 10개)를 사용한다.
• 명시적인 필터 커널이나 행렬 역행렬 계산을 피하기 위해 암묵적인 정규화를 모델링하기 위해 학습 가능한 노이즈 제거 CNN을 통합한다.

실험 결과

연구 질문

• RQ1 네트워크 깊이(스테이지 수)가 증가함에 따라 VS-Net의 성능는 어떻게 변화하는가?
• RQ2 데이터 일관성 및 평균화 블록의 가중치 파라미터를 학습 가능한 변수로 매개변수화할 경우 성능에 어떤 영향을 미치는가?
• RQ3 ℓ1-SPIRiT 및 변분 네트워크(VN)와 같은 최고 수준의 방법들과 비교해 VS-Net의 재구성 정확도와 시각적 품질은 어떠한가?
• RQ4 반복적 해법 없이도 분석적이고 지점 기반의 데이터 일관성 레이어를 다중 코일 MRI 데이터에 효과적으로 적용할 수 있는가?
• RQ5 학습 가능한 필터를 사용하는 명시적 정규화보다 CNN 기반 노이즈 제거기를 통한 암묵적 정규화가 더 우수한 성능을 내는가?

주요 결과

• 모든 프로토콜과 가속도 요인에서 최고의 PSNR 및 SSIM 성능를 기록했으며, 6배 가속도에서 경추 PD 프로토콜에서 평균 PSNR는 47.22 ± 2.89 dB를 기록했다.
• 6배 가속도에서 VS-Net는 경추 PD 데이터셋에서 VN에 비해 PSNR 0.93 dB 높고 SSIM은 0.02 높았다.
• 10개 스테이지 이상에서 VS-Net의 성능는 정점에 도달하여 더 깊은 네트워크에서의 수익 감소 현상이 나타났다.
• 데이터 일관성 및 평균화 블록의 학습 가능한 가중치 파라미터는 고정된 가중치에 비해 정량적 지표를 크게 향상시켰다.
• 시각적 비교와 더 높은 SSIM 값으로 확인된 바, VS-Net는 ℓ1-SPIRiT 및 VN보다 더 잘 세밀한 조직 텍스처를 유지했다.
• 비용이 많이 드는 행렬 역행렬 계산이나 반복적 해법 없이도 뛰어난 성능를 달성하여 계산 효율성과 수치적 안정성이 확보되었다.