[論文レビュー] Offset Sampling Improves Deep Learning based Accelerated MRI Reconstructions by Exploiting Symmetry

Aaron Defazio|arXiv (Cornell University)|Dec 2, 2019

Advanced MRI Techniques and Applications参考文献 10被引用数 6

ひとこと要約

本稿では、k-spaceのサンプリングを1ライン分ずらすオフセットサンプリングを、深層学習に基づく高速MRI再構成に導入することで、共役対称性を活用し、アーリアスの重なりを軽減し、画像品質を向上させることを提案する。オフセット-1手法は、等間隔（オフセット-0）およびランダムサンプリングを上回り、特に低SNR条件下でも高いSSIMとシャープな再構成を達成する。

ABSTRACT

Deep learning approaches to accelerated MRI take a matrix of sampled Fourier-space lines as input and produce a spatial image as output. In this work we show that by careful choice of the offset used in the sampling procedure, the symmetries in k-space can be better exploited, producing higher quality reconstructions than given by standard equally-spaced samples or randomized samples motivated by compressed sensing.

研究の動機と目的

• k-spaceの対称性を最適化されたサンプリングパターンで活用することで、深層学習に基づく高速MRI再構成を改善すること。
• 標準的な等間隔（オフセット-0）およびランダムサンプリングの、重なったアーリアス画像の処理における限界を解決すること。
• 位相シフトされたサンプリングパターンが再構成のあいまいさを軽減し、詳細回復を向上させるかを調査すること。
• オフセット-1サンプリングがMRI信号の実数性と共役対称性をより効果的に活用できることを示すこと。
• 圧縮センシングにインspiredされたMRIにおいて、ランダムサンプリングの理論的裏付けに基づく、より優れた代替手法を提供すること。

提案手法

• サンプリングマスクをゼロからではなく1ライン分ずらした（オフセット-1）ものを使い、アーリアス画像コピーの位相関係を変更する。
• オフセット-1マスクにより、アーリアスコピーの位相が2π/Rラジアンずれ、IFFTドメインにおける振幅の重なりが軽減される。
• R=4の場合、4つの位相は実部正、虚部正、実部負、虚部負となり、重なった解剖学的構造の分離が向上する。
• 実数値画像は共役対称性を持つため、IFFTの実部には2つのアーリアスコピーが含まれ、画像幅の半分の間隔で分離される。
• k-space整合性損失（FFT後にISTを経由）を用いた、カスケード型U-Netアーキテクチャを用いて、マスク処理済みk-spaceデータから画像を再構成する。
• 4倍の加速を想定し、すべてのマスクにOR演算で16本の低周波数ラインを追加することで、fastMRIデータセット上で評価する。

実験結果

リサーチクエスチョン

• RQ1 位相シフトされたサンプリングパターン（オフセット-1）は、高速MRI再構成における重なりアーリアスアーチファクトを軽減できるか？
• RQ2 オフセット-1サンプリングは、等間隔（オフセット-0）およびランダムサンプリングと比較して、再構成品質に優れているか？
• RQ3 オフセットサンプリングによる共役対称性の活用は、実数値MRIデータにおける性能向上にどの程度寄与するか？
• RQ4 圧縮センシング理論がランダム性を支持するにもかかわらず、なぜ等間隔サンプリングがこの文脈でランダムサンプリングを上回るのか？
• RQ5 オフセット-1手法は、他のコイル感度パターンや加速係数に対しても一般化可能か？

主な発見

• オフセット-1サンプリング手法は、オフセット-0およびランダムサンプリングと比較して、有意に高い検証SSIMを達成する。
• オフセット-1サンプリングを用いた再構成は、特に高コントラストや低SNR領域において、よりシャープで詳細が保持された画像を得られる。
• 解剖学的構造が視野の半分未満を占める場合に、その改善効果が顕著に現れ、IFFTの実部においてアーリアスコピーが完全に分離される。
• 標準的な圧縮センシング仮定を破っているにもかかわらず、オフセット-1手法は、MRIデータの構造的性質に適応した良好な整合性により、ランダムサンプリングを上回る。
• カスケード型U-Netにk-space整合性損失を組み合わせることで、オフセット-1サンプリングが生み出す構造的アーリアスを効果的に解体できる。
• 異なるモデルアーキテクチャにおいても結果が安定しており、その利点はモデル固有ではなく、サンプリングパターンそのものに起因していることが示された。