[論文レビュー] Fast and accurate reconstruction of HARDI using a 1D encoder-decoder convolutional network

Shi Yin, Zhengqiang Zhang+2 more|arXiv (Cornell University)|Mar 21, 2019

Advanced Neuroimaging Techniques and Applications参考文献 7被引用数 7

ひとこと要約

本稿では、低減q空間測定値から高角分解能拡散画像法（HARDI）を高速かつ高精度に再構成するための1次元エンコーダデコーダ畳み込みニューラルネットワーク（1d-ED CNN）を提案する。既存のHARDIデータを用いた教師あり学習により、低角分解能（LAR）信号から完全HARDI信号へのマッピングを学習することで、特に高減率の場合に、圧縮センシングに基づく手法と比較して優れた再構成精度と速度を達成する。

ABSTRACT

High angular resolution diffusion imaging (HARDI) demands a lager amount of data measurements compared to diffusion tensor imaging, restricting its use in practice. In this work, we explore a learning-based approach to reconstruct HARDI from a smaller number of measurements in q-space. The approach aims to directly learn the mapping relationship between the measured and HARDI signals from the collecting HARDI acquisitions of other subjects. Specifically, the mapping is represented as a 1D encoder-decoder convolutional neural network under the guidance of the compressed sensing (CS) theory for HARDI reconstruction. The proposed network architecture mainly consists of two parts: an encoder network produces the sparse coefficients and a decoder network yields a reconstruction result. Experiment results demonstrate we can robustly reconstruct HARDI signals with the accurate results and fast speed.

研究の動機と目的

• HARDIの臨床的限界を解消する。これは、高測定要件に起因する長時間スキャンが原因である。
• 手作業で設計された辞書や反復的最適化に依存する従来の圧縮センシング（CS）手法の限界を克服する。
• 既存のHARDIデータセットからの統計的パターンを活用し、低角分解能（LAR）信号から完全HARDI信号への直接的なマッピングを学習する。
• 従来のCSベースの手法よりも高速かつより頑健な深層学習フレームワークを構築する。特に高減率の場合に優れた性能を発揮する。
• 子供や認知症患者などの脆弱な対象を含む臨床応用に適した、実用的でリアルタイムのHARDI再構成を可能にする。

提案手法

• LAR信号から完全HARDI信号へのエンドツーエンドのマッピングを学習するための1次元エンコーダデコーダ畳み込みニューラルネットワーク（1d-ED CNN）を設計する。
• 入力として4チャネルを用いる：LAR信号と球座標における勾配方向の3成分（qx, qy, qz）を組み合わせ、方向情報の保持を図る。
• 訓練中に測定信号と勾配方向に対してランダムなシャッフル戦略を適用し、一般化性能とモデルの頑健性を向上させる。
• 大規模なLARとHARDI信号のペairedデータセットを用いて、正規化平均二乗誤差（NMSE）を損失関数として、教師あり学習でネットワークを訓練する。
• 3つのエンコーダブロックと3つのデコーダブロックを有するネットワーク構造とし、各ブロックで1×9カーネルフィルタを用い、ダウンサンプリングにはストライド付き畳み込み、アップサンプリングには逆畳み込みを適用する。
• 明示的な辞書学習やスパースコーディングを回避し、実HARDIデータ上でエンドツーエンドの訓練により信号再構成プロセスを直接学習する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、q空間測定値を大幅に削減した状況でも、完全HARDI信号を効果的に再構成できるか？
• RQ2 実HARDIデータで訓練された1DエンコーダデコーダCNNは、従来の圧縮センシング手法と比較して再構成精度と速度で優れているか？
• RQ3 測定数が著しく削減された場合（例：全測定値の1/5）、本手法の頑健性はどの程度か？
• RQ4 大規模なHARDIデータセットの統計的性質を効果的に活用して、一般化可能な再構成マッピングを学習できるか？
• RQ5 本手法は、HARDI再構成において反復的最適化や手作業で設計された辞書の必要性を排除できるか？

主な発見

• 提案された1d-ED CNNは、全テスト減率要因（KL = 30, 23, 18）において、最も低い正規化平均二乗誤差（NMSE）を達成し、RGD-CSおよびRGD-L2手法を上回った。
• KL = 18（全測定値の1/5）の場合、1d-ED CNNは平均NMSE 0.0199を達成し、RGD-CS（0.0612）およびRGD-L2（0.1128）を著しく下回り、高減率における優れた頑健性を示した。
• 低測定回数でも高い精度を維持でき、KL = 18で最小NMSE 0.0021を記録し、スパースサンプリング下での優れた一般化性能を示した。
• 反復的最適化を必要としない完全なフォワード推論であるため、CPU上でもCSベースの手法よりも高速であった。
• 方向分布関数（ODF）の可視的比較では、1d-ED CNNが再構成したODFが、RGD-CSおよびRGD-L2の結果よりも真値に近い外観を示した。
• 全テスト減率レベルで一貫した性能を示し、NMSEの分散が最小限に抑えられており、安定性と信頼性が確認された。