[논문 리뷰] Real-time Cardiovascular MR with Spatio-temporal De-aliasing using Deep Learning - Proof of Concept in Congenital Heart Disease

Andreas Hauptmann, Simon Arridge외 3명|arXiv (Cornell University)|2018. 03. 14.

Advanced MRI Techniques and Applications참고 문헌 22인용 수 3

한 줄 요약

이 연구는 선천성 심장병 환자에서 과도하게 샘플링된 레이디얼 심장 MRI 자료의 실시간, 시공간적 디앨리아싱을 위한 3D 잔차 컨volution 신경망(CNN)을 제안한다. 레이디얼 샘플링 패턴과 딥 러닝을 활용하여, 압축 감도(Compressed Sensing, GRASP) 대비 뛰어난 영상 품질과 양심실 부피 정확도를 달성했으며, 재구성 속도는 5배 이상 빠르고 황금 표준 호흡 정지 스캔과 유사한 결과를 보였다.

ABSTRACT

PURPOSE: Real-time assessment of ventricular volumes requires high acceleration factors. Residual convolutional neural networks (CNN) have shown potential for removing artifacts caused by data undersampling. In this study we investigated the effect of different radial sampling patterns on the accuracy of a CNN. We also acquired actual real-time undersampled radial data in patients with congenital heart disease (CHD), and compare CNN reconstruction to Compressed Sensing (CS). 
 METHODS: A 3D (2D plus time) CNN architecture was developed, and trained using 2276 gold-standard paired 3D data sets, with 14x radial undersampling. Four sampling schemes were tested, using 169 previously unseen 3D 'synthetic' test data sets. Actual real-time tiny Golden Angle (tGA) radial SSFP data was acquired in 10 new patients (122 3D data sets), and reconstructed using the 3D CNN as well as a CS algorithm; GRASP. 
 RESULTS: Sampling pattern was shown to be important for image quality, and accurate visualisation of cardiac structures. For actual real-time data, overall reconstruction time with CNN (including creation of aliased images) was shown to be more than 5x faster than GRASP. Additionally, CNN image quality and accuracy of biventricular volumes was observed to be superior to GRASP for the same raw data. 
 CONCLUSION: This paper has demonstrated the potential for the use of a 3D CNN for deep de-aliasing of real-time radial data, within the clinical setting. Clinical measures of ventricular volumes using real-time data with CNN reconstruction are not statistically significantly different from the gold-standard, cardiac gated, BH techniques.

연구 동기 및 목표

• 다양한 레이디얼 샘플링 패턴이 실시간 심장 MRI에서 딥 러닝 기반 디앨리아싱에 미치는 영향을 평가하기 위해.
• 고도로 과도하게 샘플링된 레이디얼 MRI 자료의 시공간적 디앨리아싱을 위한 3D 잔차 CNN을 개발하고 검증하기 위해.
• 실제 선천성 심장병 환자로부터의 실시간 데이터를 사용하여 제안된 3D CNN의 성능을 압축 감도(GRASP)와 비교하기 위해.
• CNN을 이용한 재구성 실시간 MRI가 황금 표준 호흡 정지 스캔과 비교해 임상적으로 정확한 양심실 부피 측정을 가능하게 하는지 평가하기 위해.

제안 방법

• 14배 과도 샘플링된 2,276개의 쌍체 3D 심장 MRI 데이터셋을 기반으로 3D(2D 공간 + 시간) 잔차 컨volution 신경망(CNN)을 훈련시켰다.
• 169개의 새로운 합성 3D 데이터셋을 사용하여 훈련 및 테스트 중에 4종류의 레이디얼 샘플링 패턴을 평가하여 패턴 민감도를 분석하였다.
• 선천성 심장병 환자 10명으로부터 실시간, 소형 골든 앵글(tGA) 레이디얼 안정상태 자유 프리세션(SSFP) 데이터를 확보하여 총 122개의 3D 데이터셋을 확보하였다.
• 훈련된 3D CNN을 사용하여 실시간 과도 샘플링된 데이터를 재구성하고, GRASP 압축 감도 알고리즘의 결과와 비교하였다.
• 영상 품질은 정성적으로 평가하였으며, 심실 부피는 황금 표준 호흡 정지, 심전도 동기화 스캔과 정량적으로 비교하였다.
• CNN과 GRASP 방법 간의 재구성 속도를 측정하고 비교하였다.

실험 결과

연구 질문

• RQ1 다양한 레이디얼 샘플링 패턴은 실시간 심장 MRI에서 3D CNN의 디앨리아싱 성능에 어떤 영향을 미치는가?
• RQ2 3D 잔차 CNN은 실시간, 고도로 과도 샘플링된 레이디얼 MRI 자료로부터 임상적으로 정확한 양심실 부피 측정을 수행할 수 있는가?
• RQ3 동일한 실시간 데이터를 사용할 때, 제안된 CNN의 영상 품질과 재구성 속도는 압축 감도(GRASP)와 비교해 어떻게 다른가?
• RQ4 CNN 재구성 실시간 MRI와 황금 표준 호흡 정지, 심전도 동기화 스캔 간의 심실 부피 측정에 통계적으로 유의미한 차이가 있는가?

주요 결과

• 레이디얼 샘플링 패턴의 선택은 CNN 재구성 영상에서 영상 품질과 심장 구조의 정확한 시각화에 상당한 영향을 미쳤다.
• 동일한 실시간 데이터에 대해 3D CNN 재구성 과정은 GRASP 압축 감도 알고리즘보다 5배 이상 빠른 속도를 보였다.
• 동일한 원시 과도 샘플링된 데이터를 사용할 때, CNN 재구성 영상은 GRASP보다 뛰어난 영상 품질을 보였다.
• CNN 재구성 실시간 MRI에서의 양심실 부피 측정치는 황금 표준 호흡 정지, 심전도 동기화 스캔 결과와 통계적으로 유의미한 차이가 없었다.
• CNN은 고속으로 가속된 레이디얼 심장 MRI에서 앨리어싱 아티팩트를 효과적으로 감소시켜 진단 수준의 실시간 영상 촬영을 가능하게 하였다.
• 이 연구는 딥 러닝을 활용한 실시간 고정확도 심장 기능 평가의 임상적 타당성을 확인하였다.