[論文レビュー] End-to-End Sequential Sampling and Reconstruction for MRI

Tianwei Yin, Zihui Wu+4 more|arXiv (Cornell University)|May 13, 2021

Medical Imaging Techniques and Applications被引用数 5

ひとこと要約

本稿では、加速磁共振画像法（MRI）における逐次k空間サンプリングと画像再構成を統合的に学習するエンドツーエンド微分可能フレームワークを提案する。データ収集中に得られる中間測定値を活用することで、モデルは情報をもつk空間のサンプルを適応的に選択し、最先端の性能を達成した—fastMRI膝関節データセットにおいて4倍加速条件下で96.96％のテストサンプルで先行手法を上回った。

ABSTRACT

Accelerated MRI shortens acquisition time by subsampling in the measurement $κ$-space. Recovering a high-fidelity anatomical image from subsampled measurements requires close cooperation between two components: (1) a sampler that chooses the subsampling pattern and (2) a reconstructor that recovers images from incomplete measurements. In this paper, we leverage the sequential nature of MRI measurements, and propose a fully differentiable framework that jointly learns a sequential sampling policy simultaneously with a reconstruction strategy. This co-designed framework is able to adapt during acquisition in order to capture the most informative measurements for a particular target. Experimental results on the fastMRI knee dataset demonstrate that the proposed approach successfully utilizes intermediate information during the sampling process to boost reconstruction performance. In particular, our proposed method can outperform the current state-of-the-art learned $κ$-space sampling baseline on over 96% of test samples. We also investigate the individual and collective benefits of the sequential sampling and co-design strategies.

研究の動機と目的

• MRIの取得速度を遅くする課題に対処し、知的なサンプリングによりデータ収集を加速する。
• 個々の解剖的特徴に適応しない静的で事前に設計されたサンプリングパターンの制限を克服する。
• サンプリング方針と再構成ネットワークを統合的・微分可能フレームワークで共同設計することで、再構成の忠実度を向上させる。
• 収集中に適応的に変更される逐次的サンプリング（収集中に意思決定がなされる）と非逐次的アプローチを比較し、その利点を検証する。
• エンドツーエンドの学習により、サンプルと再構成器の非微分可能または別々の最適化戦略に比べ、より効果的な共同設計が可能であることを示す。

提案手法

• Tステップにわたる逐次的意思決定プロセスとしてMRI取得を定式化し、各ステップで微分可能なサンプラーと再構成器を含む。
• 中間再構成画像と過去の測定値に基づいてk空間の位置を選択するニューラルネットワークベースのサンプラーを用いる。
• バックプロパゲーション・スル・タイムを用いて、サンプリングと再構成の両コンponentをエンドツーエンドで訓練し、勾配ベースの最適化を可能にする。
• 部分的なk空間データを処理し、各ステップで徐々に正確な画像を生成する微分可能な再構成ネットワークを導入する。
• 再構成品質（例：SSIM、MSE）を最適化するとともに、サンプラーが情報量の多いk空間領域へ向かうように誘導する共同損失関数を実装する。
• 非逐次的ベースラインでは、再構成器の入力をランダムテンソルに置き換えることで、逐次的適応の利点を隔離する。

実験結果

リサーチクエスチョン

• RQ1 共同最適化された逐次的サンプリングと再構成フレームワークは、非逐次的で事前に設計されたサンプリングパターンを上回ることができるか？
• RQ2 エンドツーエンド微分可能学習は、非微分可能または別々に最適化されたサンプラーと再構成器と比較して、再構成性能をどの程度向上させるか？
• RQ3 逐次的サンプリングステップ数を増やすと、再構成品質と収束性にどのような影響を与えるか？
• RQ4 逐次的サンプリングと共同設計の個々の貢献と相乗効果は、全体の性能向上にどの程度寄与しているか？
• RQ5 本フレームワークは、実世界のMRIデータにおけるさまざまな加速係数と解剖的構造に一般化可能か？

主な発見

• 提案された4ステップの逐次的モデルは、fastMRIシングルコイル膝関節データセットにおいて、4倍加速条件下で96.96％のテストサンプルでLOUPEベースラインを上回り、8倍加速では92.62％、16倍加速では76.91％を記録した。
• 単一の逐次的ステップですら、非逐次的ベースラインを一貫して上回る性能を示し、適応的サンプリングの価値を裏付けた。
• ステップ数を増やすほど性能は向上するが、収益逓減の傾向を示し、4ステップが過学習を避けても強力な向上をもたらすことを示した。
• サンプラーと再構成器を共同設計することで、4倍加速条件下で固定再構成器をランダムサンプリングで学習させた場合に比べ、SSIMで2.33～2.51の向上が得られた。
• アブレーションスタディにより、性能向上は単にアーキテクチャの改善によるものではなく、逐次的適応と共同設計に起因することが確認された。
• 本フレームワークは、全テスト加速係数で最先端の結果を達成し、先行の学習済み非逐次的ベースラインと比較して統計的に有意な向上を示した。