[논문 리뷰] Deep Learning for Rapid Sparse MR Fingerprinting Reconstruction.

Ouri Cohen, Bo Zhu외 1명|arXiv (Cornell University)|2017. 10. 15.

Advanced MRI Techniques and Applications참고 문헌 22인용 수 4

한 줄 요약

이 논문은 블로흐 방정식에서 유도된 시뮬레이션된 MRF 데이터를 기반으로 훈련된 신경망을 사용하여 다차원 MR 포인팅(MRF) 데이터를 신속하고 정확하게 재구성하는 딥러닝 기반 방법을 제안한다. 기존의 사전 매칭 기반 방법과 비교해 300배 빠른 재구성 속도(10ms 대비 약 50초)를 달성했으며, 오차는 훨씬 낮고 노이즈 및 부족 샘플링에 대한 강건성도 향상되어 1.5T에서 펌프 및 인 Vivo 인간 뇌 스캔에서 높은 정확도를 입증하였다.

ABSTRACT

PURPOSE: Demonstrate a novel fast method for reconstruction of multi-dimensional MR Fingerprinting (MRF) data using Deep Learning methods. METHODS: A neural network (NN) is defined using the TensorFlow framework and trained on simulated MRF data computed using the Bloch equations. The accuracy of the NN reconstruction of noisy data is compared to conventional MRF template matching as a function of training data size, and quantified in a both simulated numerical brain phantom data and acquired data from the ISMRM/NIST phantom. The utility of the method is demonstrated in a healthy subject in vivo at 1.5 T. RESULTS: Network training required 10 minutes and once trained, data reconstruction required approximately 10 ms. Reconstruction of simulated brain data using the NN resulted in a root-mean-square error (RMSE) of 3.5 ms for T1 and 7.8 ms for T2. The RMSE for the NN trained on sparse dictionaries was approximately 6 fold lower for T1 and 2 fold lower for T2 than conventional MRF dot-product dictionary matching on the same dictionaries. Phantom measurements yielded good agreement (R2=0.99) between the T1 and T2 estimated by the NN and reference values from the ISMRM/NIST phantom. CONCLUSION: Reconstruction of MRF data with a NN is accurate, 300 fold faster and more robust to noise and undersampling than conventional MRF dictionary matching.

연구 동기 및 목표

• 기존의 사전 매칭 기반 재구성 방식이 느리고 노이즈 및 부족 샘플링에 민감하므로, 이러한 계산적 병목 현상을 해결하고자 한다.
• 다차원 MRF 데이터에 대해 빠르고 정확하며 강건한 재구성을 가능하게 하는 딥러닝 프레임워크를 개발하고자 한다.
• 재구성 속도, 정확도, 노이즈 내성 측면에서 기존의 템플릿 매칭 방법과의 성능을 평가하고자 한다.
• 수치적 뇌 펌프 및 ISMRM/NIST 펌프에서의 실제 데이터를 대상으로 방법을 검증하고자 한다.
• 건강한 피험자에서 1.5T에서의 인 Vivo 데이터에 적용하여 임상 적용 가능성을 입증하고자 한다.

제안 방법

• 신경망은 텐서플로우 프레임워크를 사용하여 구현되었으며, 블로흐 방정식을 사용해 생성한 시뮬레이션된 MRF 데이터를 기반으로 훈련되었다.
• 희소 사전을 사용하여 부족 샘플링된 MRF 데이터의 효율적 재구성을 가능하게 하였다.
• 아키텍처는 원시 k-space MRF 신호를 직접 정량적 T1 및 T2 맵으로 매핑하도록 최적화되었다.
• 훈련은 재구성 오차를 최소화하기 위해 역전파와 확률적 경사하강법을 사용하였다.
• 훈련 후 추론은 각 데이터셋당 약 10ms 내로 수행되어 실시간 적용 가능성을 확보하였다.
• 성능 평가에서는 동일한 사전을 사용한 기존의 MRF 템플릿 매칭 방식과 비교하였다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 기존의 사전 매칭 방식보다 더 높은 정확도와 낮은 계산 비용으로 다차원 MRF 데이터를 재구성할 수 있는가?
• RQ2 훈련 데이터셋 크기가 변화할 경우 딥러닝 방법의 성능는 어떻게 변화하는가?
• RQ3 기존의 MRF 재구성 방식과 비교해 딥러닝 방법이 노이즈 및 부족 샘플링에 대해 얼마나 더 강건한가?
• RQ4 딥러닝 방법은 실제 데이터(펌프 및 인 Vivo 인간 스캔 포함)에 대해 얼마나 잘 일반화되는가?
• RQ5 제안된 딥러닝 프레임워크에서 훈련 시간과 추론 속도 사이의 상충 관계는 어떠한가?

주요 결과

• 시뮬레이션된 뇌 펌프 데이터 재구성에서 딥러닝 모델은 T1에 대해 3.5ms, T2에 대해 7.8ms의 루트 평균 제곱 오차(RMSE)를 기록하였다.
• 동일한 희소 사전을 사용한 경우, 신경망의 RMSE는 T1에 대해 약 6배, T2에 대해 약 2배 낮은 것으로 나타났다.
• 펌프 측정 결과에서 신경망은 T1 및 T2 맵핑에서 기준값과 뛰어난 일치를 보였으며(R² = 0.99), 두 경우 모두 높은 정확도를 확보하였다.
• 모델는 단지 10분의 훈련 시간으로도 각 데이터셋당 10ms의 재구성 속도를 달성하여 기존 방법 대비 300배 빠른 속도 향상을 이룩하였다.
• 노이즈 및 부족 샘플링에 대해 뛰어난 강건성을 보이며, 도전적인 데이터 조건에서도 높은 정확도를 유지하였다.
• 1.5T에서 건강한 피험자에 대한 인 Vivo 재구성 결과는 임상 환경에서의 방법의 실현 가능성과 정확성을 확인하였다.