[論文レビュー] Active Phase-Encode Selection for Slice-Specific Fast MR Scanning Using a Transformer-Based Deep Reinforcement Learning Framework

Yiming Liu, Yanwei Pang+2 more|arXiv (Cornell University)|Mar 11, 2022

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

本論文は、MRIスキャンを高速化するための軽量なトランスフォーマー基盤の深層強化学習フレームワークであるTITLEを提案する。この手法は、スライスごとの特徴に応じた位相符号化ラインの能動的選択を実現する。二値の位相インジケータとアンダーサンプリングされたk空間データからQ値を予測することで、従来の強化学習手法と比較して150倍高速な推論を達成するとともに、fastMRIデータセットにおいて再構成精度を顕著に向上させる。

ABSTRACT

Purpose: Long scan time in phase encoding for forming complete K-space matrices is a critical drawback of MRI, making patients uncomfortable and wasting important time for diagnosing emergent diseases. This paper aims to reducing the scan time by actively and sequentially selecting partial phases in a short time so that a slice can be accurately reconstructed from the resultant slice-specific incomplete K-space matrix. Methods: A transformer based deep reinforcement learning framework is proposed for actively determining a sequence of partial phases according to reconstruction-quality based Q-value (a function of reward), where the reward is the improvement degree of reconstructed image quality. The Q-value is efficiently predicted from binary phase-indicator vectors, incomplete K-space matrices and their corresponding undersampled images with a light-weight transformer so that the sequential information of phases and global relationship in images can be used. The inverse Fourier transform is employed for efficiently computing the undersampled images and hence gaining the rewards of selecting phases. Results: Experimental results on the fastMRI dataset with original K-space data accessible demonstrate the efficiency and accuracy superiorities of proposed method. Compared with the state-of-the-art reinforcement learning based method proposed by Pineda et al., the proposed method is roughly 150 times faster and achieves significant improvement in reconstruction accuracy. Conclusions: We have proposed a light-weight transformer based deep reinforcement learning framework for generating high-quality slice-specific trajectory consisting of a small number of phases. The proposed method, called TITLE (Transformer Involved Trajectory LEarning), has remarkable superiority in phase-encode selection efficiency and image reconstruction accuracy.

研究の動機と目的

• スライスごとの位相符号化ラインを最小限に抑えることで、MRIスキャン時間を短縮するが、画像品質を損なわないようにする。
• MRIにおける位相符号化選択において、従来の強化学習手法の非効率性を解消する。
• アンダーサンプリングされたk空間再構成のための、高速で高精度かつスライスに特化した軌道学習フレームワークを開発する。
• 軽量なトランスフォーマーアーキテクチャを用いて、グローバルな画像コンテキストと逐次的な位相依存関係を統合する。

提案手法

• 深層強化学習エージェントは、画像再構成品質の向上度を反映するQ値関数に基づき、逐次的に位相符号化ラインを選択する。
• Q値は、二値の位相インジケータベクトルと不完全なk空間行列を処理する軽量なトランスフォーマーを用いて予測される。
• 画像品質の報酬は、アンダーサンプリングされたk空間データに対して逆フーリエ変換を実行することで計算され、再構成画像の品質を評価する。
• フレームワークは、画像再構成品質からのリアルタイムフィードバックに基づき動的に位相を選択するスパarsな適応的サンプリング戦略を採用する。
• 再構成画像と完全にサンプリングされた画像の間の構造的類似性（SSIM）および平均二乗誤差（MSE）に基づく報酬信号を用いて、エンドツーエンドでモデルを訓練する。
• 軽量なトランスフォーマーアーキテクチャにより、k空間における長距離依存関係とグローバルな画像特徴の効率的モデリングが可能になる。

実験結果

リサーチクエスチョン

• RQ1 深層強化学習エージェントは、個々のスライスに対して高品質なMRI再構成を達成する最小限の位相符号化ラインのセットを効果的に学習できるか？
• RQ2 トランスフォーマー基盤のアーキテクチャは、標準的なディープラーニングや強化学習ベースラインと比較して、逐次的位相選択のモデリングをどのように改善するか？
• RQ3 提案手法は、最先端の手法と比較して、スキャン時間をどの程度短縮しつつも、再構成精度を維持または向上させることができるか？
• RQ4 逆フーリエ変換を用いたリアルタイム報酬計算の統合は、学習効率と性能をどのように向上させるか？

主な発見

• 提案手法TITLEは、Pinedaらによる最先端のRL手法と比較して、位相符号化選択の推論速度が150倍高速である。
• 本手法は、オリジナルのk空間データを用いたfastMRIデータセットにおいて、高いSSIMと低いMSEという指標で、再構成精度に顕著な向上を示す。
• 軽量なトランスフォーマーアーキテクチャにより、局所的な位相シーケンスとグローバルな画像関係性の両方の効果的なモデリングが可能となり、再構成の忠実度が向上する。
• フレームワークは、診断的潜在能力を損なわず、画像品質を最適化するための適応的でスライスに特化したサンプリング軌道を効果的に学習する。
• 逆フーリエ変換を用いたリアルタイム報酬計算により、訓練中の効率的かつ正確なフィードバックが可能となり、方策の収束が改善される。