[논문 리뷰] XPDNet for MRI Reconstruction: an application to the 2020 fastMRI challenge

Zaccharie Ramzi, Philippe Ciuciu외 1명|arXiv (Cornell University)|2020. 10. 15.

Medical Imaging Techniques and ApplicationsMedicine인용 수 19

한 줄 요약

XPDNet은 프리밀-듀얼 하이브리드 그라디언트(PDHG) 알고리즘을 언롤링한 딥러닝 기반의 MRI 재구성 네트워크로, 이미지 노이즈 제거를 위한 다중 척도 웨이블릿 CNN과 감도맵 정밀화를 위한 U-Net을 통합한다. 2020년 fastMRI 챌린지에서 4× 및 8× 가속도 요인 모두 2위를 기록하였으며, 뇌 및 무릎 MRI 데이터셋에서 PSNR 및 NMSE 측면에서 최신 기술 수준의 성능을 입증하였다.

ABSTRACT

We present a new neural network, the XPDNet, for MRI reconstruction from periodically under-sampled multi-coil data. We inform the design of this network by taking best practices from MRI reconstruction and computer vision. We show that this network can achieve state-of-the-art reconstruction results, as shown by its ranking of second in the fastMRI 2020 challenge.

연구 동기 및 목표

• 기존 압축 감지 및 병렬 영상 기법보다 향상된 학습 가능한, 효율적이고 정확한 MRI 재구성 방법을 개발하는 것.
• 정규화, 최적화 매개변수, 감도맵 추정과 같은 수작업으로 설계된 구성 요소의 한계를 해결하는 것.
• 해석 가능성과 계산 효율성을 유지하면서도 엔드 투 엔드 학습을 가능하게 하는 모듈러한 신경망 아키텍처를 설계하는 것.
• 다중 코ils로의 저해상도 k-space 데이터를 이용해 고가속도 요인(4× 및 8×)에서도 높은 재구성 품질을 달성하는 것.

제안 방법

• XPDNet은 PDHG 최적화 알고리즘을 영감으로 받아 이미지 영역과 k-space 측정치를 번갈아 가며 작동하는 크로스 도메인 언롤드 네트워크이다.
• 최근 5회의 반복 결과를 학습 가능한 버퍼로 사용하여 스텝 사이즈 및 모멘타와 같은 최적화 매개변수를 적응적으로 조정한다.
• 메모리 제약 조건 내에서 더 많은 언롤링 반복를 허용하기 위해 필터 수를 줄인 경량의 다중 척도 웨이블릿 CNN(MWCNN)을 이미지 보정 네트워크로 사용한다.
• 초기로 저주파 k-space 데이터에서 추정한 코일 감도맵을 정밀화하기 위해 U-Net 기반의 감도맵 리파인어를 도입한다.
• 메모리 사용량을 줄이기 위해 k-space 보정 네트워크를 사용하지 않으며, 대신 이미지 영역의 노이즈 제거기와 이미지 영역 내 데이터 일致성에 의존한다.
• 각 가속도 요인에 대해 100 에포크 동안 RAdam 옵timizer를 사용하여 L1 및 다중 척도 SSIM을 조합한 복합 손실 함수로 훈련하며, 대trast별 데이터로 미세조정을 수행한다.

실험 결과

연구 질문

• RQ1 학습 가능한 PDHG 알고리즘 언롤링이 전통적인 최적화 기반 MRI 재구성 기법보다 속도와 정확도 측면에서 뛰어나게 되는가?
• RQ2 다중 척도 웨이블릿 CNN의 통합이 MRI 맥락에서 표준 CNN에 비해 이미지 재구성 품질을 어떻게 향상시키는가?
• RQ3 경량 U-Net을 통한 감도맵 정밀화가 계산 비용을 증가시키지 않으면서 재구성 정밀도를 얼마나 향상시킬 수 있는가?
• RQ4 k-space 보정 네트워크가 없는 것이 성능에 악영향을 미치는가? 만약 그렇다면, 다른 구성 요소를 통해 이미지 품질은 어떻게 유지되는가?
• RQ5 모듈러하고 언롤드된 아키텍처가 다양한 MRI 대trast와 가속도 요인에 일반화되면서 최신 기술 수준의 성능을 유지할 수 있는가?

주요 결과

• XPDNet은 2020년 fastMRI 챌린지에서 4× 및 8× 가속도 요인 모두 2위를 기록하였으며, 모든 대trast에서 PSNR 측면에서 2위를 기록하였다.
• 4× 가속도에서 평균 PSNR는 T1(41.56), T2(40.68), FLAIR(39.60), T1POST(42.53)였으며, SSIM 값은 0.93 이상이었다.
• 8× 가속도에서 평균 PSNR는 T1(38.57), T2(37.41), FLAIR(36.81), T1POST(38.90)였으며, SSIM 값은 0.9086에서 0.9517 사이였다.
• 4× 가속도에서 실제값과의 시각적 차이가 거의 없었으며, 8×에서만 약간의 부드러움이 눈에 띄어 고저밀리티에 대한 강건성을 보였다.
• 4× 및 8× 가속도 요인에서 뇌 및 무릎 MRI 데이터셋 전반에 걸쳐 PSNR 및 NMSE 측면에서 최신 기술 수준의 성능을 달성하였다.
• 강력한 PSNR 결과에도 불구하고 SSIM 지표에서는 성능이 열등하여, 인지적 품질 측면에서의 상충 관계가 존재할 수 있으며, 향후 추가 연구가 필요하다고 제기되었다.