[論文レビュー] fastMRI: An Open Dataset and Benchmarks for Accelerated MRI

Jure Žbontar, Florian Knöll+25 more|arXiv (Cornell University)|Nov 21, 2018

Advanced MRI Techniques and Applications参考文献 56被引用数 572

ひとこと要約

本論文は fastMRI データセットを紹介する。これは、高速MRIの機械学習再構成手法を評価するための、複数コイルの生データk空間測定と対応するグラウンドトゥルース画像の大規模な公開コレクションであり、標準化された評価基準を備える。

ABSTRACT

Accelerating Magnetic Resonance Imaging (MRI) by taking fewer measurements has the potential to reduce medical costs, minimize stress to patients and make MRI possible in applications where it is currently prohibitively slow or expensive. We introduce the fastMRI dataset, a large-scale collection of both raw MR measurements and clinical MR images, that can be used for training and evaluation of machine-learning approaches to MR image reconstruction. By introducing standardized evaluation criteria and a freely-accessible dataset, our goal is to help the community make rapid advances in the state of the art for MR image reconstruction. We also provide a self-contained introduction to MRI for machine learning researchers with no medical imaging background.

研究の動機と目的

• 公開された大規模な生データメジャメントと臨床画像セットを提供し、MLベースのMR再構成の研究を加速する。
• 再構成アプローチ間の公正な比較を可能にする標準化された評価基準とベースラインを確立する。
• モデル開発と評価を導くために、単一コイルおよび多コイルのタスクとグラウンドトゥルース参照を導入する。
• ML研究者のためのMRI概念の入門リソースを提供する。
• オープンデータとベンチマークを通じて、加速MRIの最先端技術の普及をコミュニティと共に支援する。）

提案手法

• 生データの多コイルk空間測定8344ボリューム（167,375スライス）と20,000件の膝・脳のDICOM画像を含む大規模データセットを公開する。
• 2つの再構成タスクを定義する：単一コイル再構成はア undersampled の単一コイルデータからグラウンドトゥルースを近似し、マルチコイル再構成は undersampled のマルチコイルデータから行う。
• 評価のためのグラウンドトゥルース参照をルートサムオブスクエア（RSS）再構成と切り取られた中心領域を提供する。
• 再構成品質評価のための標準化評価指標（NMSE、PSNR、SSIM、L1）を導入し、その利点と欠点を論じる。
• 臨床的に関連する加速を模擬するために、膝はランダムサブサンプリング、脳は等間隔サブサンプリングという undersampling スキームと、4x または 8x の加速因子を採用する。

実験結果

リサーチクエスチョン

• RQ1 単一コイルおよびマルチコイル設定全体で、機械学習モデルは undersampled k-space データからMR画像をどれだけうまく再構成できるか？
• RQ2 加速MRIの再構成品質を最もよく捉える評価指標はどれか、古典的なベースラインと学習ベースの方法を比較するとどうなるか？
• RQ3 データの多様性（膝 vs 脳、スキャナー強度のばらつき）が再構成性能と一般化にどのように影響するか？
• RQ4 グラウンドトゥルース参照の品質（RSS vs ESC）がML再構成方法のベンチマーキングにおいてどのような役割を果たすか？

主な発見

• データセットは 8344 ボリューム（167,375 枚） の生のマルチコイルk空間データと 20,000 件の膝/脳 DICOM 画像を含み、MR再構成の大規模なML研究を可能にする。
• 単一コイルおよびマルチコイルの undersampled データをサポートする2つの再構成タスクと、それに対応するグラウンドトゥルース参照および訓練/検証/テスト分割を提供する。
• グラウンドトゥルース画像は RSS 再構成と中心領域の切り取りで生成され、DICOM データはより広範なスキャナーのばらつきと後処理の違いを反映している。
• 中心部が完全サンプルの領域を含む4xまたは8xの加速で retrospective に undersampling を実施し、CS風ベンチマークを促進する。
• NMSE、PSNR、SSIM、L1 を評価指標として議論し、再構成品質に対する各指標の限界と補完的な洞察を指摘する。
• ベースライン手法には古典的なTVベース再構成と UNET のような初歩的な深層学習モデルが含まれ、今後の改善のための参照点を提供する。