[論文レビュー] Conditional WGANs with Adaptive Gradient Balancing for Sparse MRI Reconstruction

Itzik Malkiel, Sangtae Ahn+4 more|arXiv (Cornell University)|May 2, 2019

Medical Imaging Techniques and Applications参考文献 16被引用数 5

ひとこと要約

本稿では、スパースなMRI再構成のための、適応的勾配バランスを備えた条件付きワサーベルGAN（cWGAN-AGB）を提案する。敵対的学習とデータ整合性、および密な残差接続を組み合わせることで、画像品質を向上させ、先行するGANベースおよび非GAN手法と比較して、アーチファクトが少なく、よりシャープで自然な再構成を実現する。特に、細部の再現性を高めつつ、幻想的再構成（ホールーシュネーション）を最小限に抑え、訓練の安定性を向上させることで優れた性能を発揮する。

ABSTRACT

Recent sparse MRI reconstruction models have used Deep Neural Networks (DNNs) to reconstruct relatively high-quality images from highly undersampled k-space data, enabling much faster MRI scanning. However, these techniques sometimes struggle to reconstruct sharp images that preserve fine detail while maintaining a natural appearance. In this work, we enhance the image quality by using a Conditional Wasserstein Generative Adversarial Network combined with a novel Adaptive Gradient Balancing technique that stabilizes the training and minimizes the degree of artifacts, while maintaining a high-quality reconstruction that produces sharper images than other techniques.

研究の動機と目的

• 深層学習ベースのスパースMRI再構成における画像のぼやけや不自然な外観を解消すること。
• 新規の適応的勾配バランス（AGB）技術を用いて、GANの訓練をMRI再構成で安定化すること。
• 条件付きGANとデータ整合性、および密な残差接続を組み合わせることで、再構成品質を向上させること。
• GANベースのMRI再構成において、幻想的再構成とアーチファクトを低減させつつ、細かな解剖学的特徴を保持すること。
• Fréchet Inception Distance（FID）がMRI再構成のための知覚的指標として有効かどうかを評価すること。

提案手法

• 本手法は、生成器と判別器の両方が、アンダーサンプリングされたk空間データとゼロフィルド画像に条件付けられた条件付きワサーベルGAN（cWGAN）を用いる。
• GANの訓練を安定化させ、勾配爆発を低減するために、複数の損失項のバランスを動的に調整する新規な適応的勾配バランス（AGB）技術を導入する。
• 生成器は、20回の反復と60以上の畳み込み層を持つ、密接に接続された反復ネットワーク（DCI-Net）として実装されており、強力な特徴伝搬を可能にする。
• 生成器には、取得されたk空間ラインの忠実度を保証するデータ整合性レイヤーが含まれており、測定済みデータからのずれを防ぐ。
• 判別器は、ゼロフィルド画像に条件付けられた、実際の（完全にサンプリングされた）画像ペアと生成された（偽物の）画像ペアのワサーベル距離を評価する。
• ピクセル単位のL2損失、敵対的損失、および知覚的損失を組み合わせたハイブリッド損失を用いることで、再構成精度と知覚的リアリズムの両立を図る。

実験結果

リサーチクエスチョン

• RQ1 適応的勾配バランスを備えた条件付きワサーベルGANは、スパースMRI再構成において、画像のシャープネスを向上させ、アーチファクトを低減できるか？
• RQ2 提案されたAGB技術は、標準的なGAN訓練と比較して、収束速度と安定性の面でどのように異なるか？
• RQ3 密な残差接続とより深いアーキテクチャは、アンラップド反復的MRIネットワークにおける再構成性能をどの程度向上させるか？
• RQ4 Fréchet Inception Distance（FID）は、MRI再構成品質の評価に信頼できる知覚的指標を提供するか？
• RQ5 提案手法は、ベースラインモデルと比較して、幻想的再構成、SNR、および知覚的品質の面でどの程度優れているか？

主な発見

• cWGAN-AGBモデルは、テストセットでFIDスコア（3.8）とNMSE（3.5）を最低水準に抑え、WGAN、cWGAN、およびベースラインDCI-Netを上回った。
• AGBを用いた訓練では、収束が著しく速く、FIDとNMSEの両方が、標準的なcWGANやWGAN訓練よりも著しく早く低下した。
• 4名のMRI専門医による視覚的スコアリングでは、cWGAN-AGBがベースラインと比較して顕著にシャープな画像を生成し、細かな解剖学的特徴の再現性が優れていた。
• ベースラインと比べてわずかにNMSEが高かったが、FIDスコアと専門家のスコアリング（シャープネスと全体的な品質）から、cWGAN-AGBは優れた知覚的品質を達成していた。
• アブレーションスタディの結果、同程度のパラメータ数を持つ浅い非密接ネットワークと比較して、密接接続によりNMSEが12%低減された。
• 他のGANベースのモデルと比較して、cWGAN-AGBは幻想的構造をより少なく生成しており、これはピクセル単位の損失、データ整合性、およびAGBの組み合わせによるものとされた。