[논문 리뷰] Fast Data-Driven Learning of MRI Sampling Pattern for Large Scale Problems

Marcelo V. W. Zibetti, Gábor T. Herman외 1명|arXiv (Cornell University)|2020. 11. 04.

Sparse and Compressive Sensing Techniques참고 문헌 77인용 수 5

한 줄 요약

이 논문은 병렬 MRI에서 효율적인 k-space 샘플링 패턴을 학습하기 위한 빠른 데이터 기반 최적화 방법인 BASS를 제안한다. 학습 데이터와 재구성 전용 기준을 활용함으로써 BASS는 게으른 방법 대비 100배 빠른 속도로 샘플링 패턴 학습을 가능하게 하여 최대 45% 향상된 재구성 품질 또는 품질 손실 없이 스캔 시간을 절반으로 줄일 수 있다—이를 통해 고해상도 및 정량적 MRI 응용 분야에서 최적의 샘플링-재구성 쌍 선택이 가능해진다.

ABSTRACT

Purpose: A fast data-driven optimization approach, named bias-accelerated subset selection (BASS), is proposed for learning efficacious sampling patterns (SPs) with the purpose of reducing scan time in large-dimensional parallel MRI. Methods: BASS is applicable when Cartesian fully-sampled k-space data of specific anatomy is available for training and the reconstruction method is specified, learning which k-space points are more relevant for the specific anatomy and reconstruction in recovering the non-sampled points. BASS was tested with four reconstruction methods for parallel MRI based on low-rankness and sparsity that allow a free choice of the SP. Two datasets were tested, one of the brain images for high-resolution imaging and another of knee images for quantitative mapping of the cartilage. Results: BASS, with its low computational cost and fast convergence, obtained SPs 100 times faster than the current best greedy approaches. Reconstruction quality increased up to 45\% with our learned SP over that provided by variable density and Poisson disk SPs, considering the same scan time. Optionally, the scan time can be nearly halved without loss of reconstruction quality. Conclusion: Compared with current approaches, BASS can be used to rapidly learn effective SPs for various reconstruction methods, using larger SP and larger datasets. This enables a better selection of efficacious sampling-reconstruction pairs for specific MRI problems.

연구 동기 및 목표

• 대규모 병렬 MRI에 대한 데이터 기반 샘플링 패턴 학습에서의 느린 최적화 문제를 해결하기 위해.
• 대규모 데이터셋과 다양한 재구성 방법을 활용해 샘플링 패턴을 신속하게 학습할 수 있는 계산적으로 효율적인 방법을 개발하기 위해.
• 일반적인 패턴(예: 가변 밀도 또는 포isson 디스크)을 사용하는 것보다 특정 재구성 알고리즘에 맞춰 샘플링 패턴을 매칭시킴으로써 이미지 재구성 품질을 향상시키기 위해.
• 임상 및 연구 응용 분야에서 실용적인 스캔 가속화를 위해 임상적 적용에 적합한 최적의 샘플링-재구성 쌍을 식별하기 위해.
• 빠른 데이터 기반 샘플링 패턴 최적화를 통해 임상 MRI에서 더 높은 가속도 요인을 도입하는 데 기여하기 위해.

제안 방법

• BASS는 재구성 오차 감소 기반으로 반복적으로 여러 k-space 점을 추가하거나 제거함으로써 샘플링 패턴을 최적화하는 편향 가속화된 부분집합 선택 전략을 사용한다.
• 각 후보 점의 영향을 평가하기 위해 k-space 오차 기준(식 2)을 사용하며, 재구성 정밀도 향상에 기여하는 점을 우선순위로 정한다.
• 특정 해부학적 구조의 완전 샘플링 k-space 데이터를 학습 입력으로 활용하며, 특정 재구성 방법에 맞게 최적화되어 있어 방법 전용 최적화를 보장한다.
• 단일 점 업데이트 방법 대비 계산 비용을 줄이기 위해 배치 업데이트(한 번의 반복에 다수 점 업데이트)를 사용하는 게으른 방식에 가까운 접근 방식을 채택한다.
• 대규모 데이터셋과 대규모 샘플링 패턴에서도 효율적으로 확장 가능하도록 설계되어, 3D 및 정량적 MRI 응용 분야에 적합하다.
• 이미지 도메인 지표(예: NRMSE, SSIM)와 같은 다양한 재구성 기준을 지원하며, 다른 최적화 목표에 맞게도 적응 가능하다.

실험 결과

연구 질문

• RQ1 기존 게으른 방법 대비 데이터 기반 샘플링 패턴 학습 방법이 대규모 MRI 문제에서 현저히 더 빠른 수렴을 달성할 수 있는가?
• RQ2 특정 재구성 방법에 맞게 샘플링 패턴을 최적화할 경우, 가변 밀도나 포isson 디스크와 같은 일반적인 패턴보다 이미지 재구성 품질이 향상되는가?
• RQ3 최적화된 샘플링 패턴을 통해 스캔 시간을 얼마나 줄일 수 있으며, 이때 이미지 품질을 유지하거나 향상시킬 수 있는가?
• RQ4 다양한 재구성 방법과 가속도 요인에서 최적화된 샘플링 패턴의 성능은 어떻게 변화하는가?
• RQ5 시간에 따라 변화하는 변수 샘플링 비율을 효과적으로 학습할 수 있는가—예를 들어 T1ρ 매핑에 유리한 패턴을 학습할 수 있는가?

주요 결과

• BASS는 현재 최고의 게으른 방법 대비 샘플링 패턴 최적화를 100배 더 빠르게 수행하여 대규모 데이터셋에서의 신속한 학습을 가능하게 했다.
• 동일한 스캔 시간에서 BASS로 학습된 샘플링 패턴을 사용할 경우, 가변 밀도나 포isson 디스크 패턴 대비 재구성 품질이 최대 45% 향상되었다.
• 최적화된 샘플링 패턴을 사용하면 동일한 이미지 품질을 거의 반으로 줄인 스캔 시간으로도 달성할 수 있었으며, 이는 가속도 요인을 두 배로 늘리는 효과가 있었다.
• 최적의 샘플링 패턴은 재구성 방법에 따라 크게 달라졌으며, 샘플링과 재구성 간의 매칭 중요성을 입증했다.
• 더 높은 가속도 요인에서 최적화된 샘플링 패턴의 이점이 증가했으며, 오차 곡선이 평탄해지고 성능 향상이 뚜렷하게 관찰되었다.
• 비균일하고 시간에 따라 변화하는 샘플링 패턴을 성공적으로 학습하여 T1ρ 매핑에 유리한 패턴을 도출함으로써 복잡한 임상 응용 분야에 대한 적응 가능성도 입증했다.