[논문 리뷰] LORAKI: Autocalibrated Recurrent Neural Networks for Autoregressive MRI Reconstruction in k-Space

Tae Hyung Kim, Pratyush Garg외 1명|arXiv (Cornell University)|2019. 04. 20.

Advanced MRI Techniques and Applications참고 문헌 23인용 수 44

한 줄 요약

LORAKI는 스캔별 자동보정 컨볼루션 RNN을 학습하여 누락된 k-공간 샘플을 보간하고, 테스트된 샘플링 구성에서 GRAPPA, RAKI, AC-LORAKS에 비해 재구성이 향상됨을 보여준다.

ABSTRACT

We propose and evaluate a new MRI reconstruction method named LORAKI that trains an autocalibrated scan-specific recurrent neural network (RNN) to recover missing k-space data. Methods like GRAPPA, SPIRiT, and AC-LORAKS assume that k-space data has shift-invariant autoregressive structure, and that the scan-specific autoregression relationships needed to recover missing samples can be learned from fully-sampled autocalibration (ACS) data. Recently, the structure of the linear GRAPPA method has been translated into a nonlinear deep learning method named RAKI. RAKI uses ACS data to train an artificial neural network to interpolate missing k-space samples, and often outperforms GRAPPA. In this work, we apply a similar principle to translate the linear AC-LORAKS method (simultaneously incorporating support, phase, and parallel imaging constraints) into a nonlinear deep learning method named LORAKI. Since AC-LORAKS is iterative and convolutional, LORAKI takes the form of a convolutional RNN. This new architecture admits a wide range of sampling patterns, and even calibrationless patterns are possible if synthetic ACS data is generated. The performance of LORAKI was evaluated with retrospectively undersampled brain datasets, with comparisons against other related reconstruction methods. Results suggest that LORAKI can provide improved reconstruction compared to other scan-specific autocalibrated reconstruction methods like GRAPPA, RAKI, and AC-LORAKS. LORAKI offers a new deep-learning approach to MRI reconstruction based on RNNs in k-space, and enables improved image quality and enhanced sampling flexibility.

연구 동기 및 목표

• 자동보정 스캔-특정 모델을 사용하여 undersampled k-공간 데이터를 재구성함으로써 MRI를 더 빠르게 만드는 것을 목표로 한다.
• AC-LORAKS와 RAKI 원리를 확장하는 비선형 컨볼루션 RNN인 LORAKI를 소개한다.
• k-공간에서 스캔-특정 자기회귀 관계를 학습하기 위해 자동보정 데이터를 활용한다.
• LORAKI가 합성 ACS 데이터를 포함한 광범위한 샘플링 패턴을 수용할 수 있음을 시연한다.

제안 방법

• LORAKI를 Landweber에서 영감을 받은 반복 체계 내에서 비선형 ReLU 활성화가 있는 2계층 컨볼루션 RNN으로 정식화한다.
• k-공간 보간을 학습된 비선형 자기회귀 과정으로 표현하며, 학습을 위해 ACS 데이터를 사용한다.
• 타원형 컨볼루션 커널을 사용하여 구조화된 저랭크 프레임워크 내에서 등방성 있고 제약된 재구성을 보장한다.
• 네트워크를 ACS 데이터로 학습시키고(선행 재구성에서 파생된 합성 ACS 데이터를 선택적으로 활용).
• 가상 켤레 코일을 사용하여 위상의 제약을 포착하기 위해 복소수 데이터를 실수 채널로 처리한다.

실험 결과

연구 질문

• RQ1 다양한 직교 Cartesian undersampling 패턴에 대해 LORAKI가 GRAPPA, RAKI, AC-LORAKS보다 재구성 품질을 향상시킬 수 있는가?
• RQ2 실제 ACS 데이터가 제한될 때 합성 ACS 데이터를 도입하는 것이 성능을 향상시키는가?
• RQ3 AC-LORAKS 제약과의 호환성을 유지하면서 LORAKI가 다양한 undersampling 스킴(균일, 임의, 부분 푸리에)에 대해 견고한가?

주요 결과

• 뇌 MRI 역추적 undersampling 테스트에서 GRAPPA, RAKI, AC-LORAKS에 비해 재구성 품질이 향상된다.
• 합성 ACS 데이터를 사용하면 원래 ACS 데이터의 이점과 맞추거나 이를 능가할 수 있으며, 특히 원래 ACS가 제한적일 때 그렇다.
• LORAKI는 난수형 및 부분 푸리에 undersampling을 포함한 여러 샘플링 패턴에서도 효과적이며 공간 주파수 전역에서 오차 특성이 우수하다.
• 보정less 시나리오에서 합성 ACS 데이터를 사용하는 LORAKI가 초기 재구성이 유용한 ACS 가이드를 제공할 수 있을 때 보정less 기준선보다 종종 우수하다.