[論文レビュー] Respiratory Motion Correction in Abdominal MRI using a Densely Connected U-Net with GAN-guided Training

Wenhao Jiang, Zhiyu Liu+6 more|arXiv (Cornell University)|Jun 24, 2019

Advanced MRI Techniques and Applications参考文献 14被引用数 15

ひとこと要約

本稿では、腹部MRIにおける呼吸運動補正のため、GAN誘導型トレーニングと知覚損失を用いた密接に接続されたU-Netを提案する。合成および実世界の運動歪みを伴うスキャンにおいて、ぼやけやゴーストアーティファクトを効果的に低減し、追加のスキャン時間や被験者の不快感を要せず、深層学習を用いて優れた画像品質の回復を実現する。

ABSTRACT

Abdominal magnetic resonance imaging (MRI) provides a straightforward way of characterizing tissue and locating lesions of patients as in standard diagnosis. However, abdominal MRI often suffers from respiratory motion artifacts, which leads to blurring and ghosting that significantly deteriorate the imaging quality. Conventional methods to reduce or eliminate these motion artifacts include breath holding, patient sedation, respiratory gating, and image post-processing, but these strategies inevitably involve extra scanning time and patient discomfort. In this paper, we propose a novel deep-learning-based model to recover MR images from respiratory motion artifacts. The proposed model comprises a densely connected U-net with generative adversarial network (GAN)-guided training and a perceptual loss function. We validate the model using a diverse collection of MRI data that are adversely affected by both synthetic and authentic respiration artifacts. Effective outcomes of motion removal are demonstrated. Our experimental results show the great potential of utilizing deep-learning-based methods in respiratory motion correction for abdominal MRI.

研究の動機と目的

• 腹部MRIにおける呼吸運動アーティファクトが画像品質および診断正確性を低下させるのを是正すること。
• 呼吸保持を要せず、追加のスキャン時間も要しない深層学習ベースの手法を開発すること。
• 生成的敵対的ネットワーク（GAN）誘導型トレーニング戦略を用いて、画像回復の忠実度を向上させること。
• 合成および実際の呼吸運動アーティファクトを含む多様なデータセット上で、手法の有効性を検証すること。
• 知覚損失が補正されたMR画像における構造的およびテクスチャ的詳細の強化にどのように寄与するかを示すこと。

提案手法

• 多スケール特徴を捉え、トレーニング中の勾配フローを改善するため、密接に接続されたU-Netアーキテクチャを用いる。
• 補正されたMR画像の現実性および構造的一致性を向上させるために、生成的敵対的ネットワーク（GAN）トレーニングを統合する。
• 事前学習済みVGGネットワークの特徴に基づく知覚損失関数を採用し、微細な解剖的詳細の保持を図る。
• モデルはペアデータ（運動歪みを伴うMR画像とその運動フリーの基準画像）上でエンドツーエンドにトレーニングされる。
• 一般化性能を向上させるために、データオーグメンテーションおよび正規化技術が適用される。
• GANブランチのディスクライマーは、実画像と生成画像を区別するようにトレーニングされ、現実的な出力を促進する。

実験結果

リサーチクエスチョン

• RQ1 追加のスキャン時間や被験者の協力が不要な状況下でも、深層学習モデルが腹部MRIにおける呼吸運動アーティファクトを効果的に補正できるか。
• RQ2 標準的な損失関数と比較して、GAN誘導型トレーニングが補正画像の知覚的品質および構造的一致性をどのように向上させるか。
• RQ3 提案手法が合成および実際の運動歪みを伴う腹部MRIスキャンの両方に対して、どの程度一般化可能か。
• RQ4 知覚損失関数の統合が、標準的なL2損失と比較して解剖的詳細の保持にどのように寄与するか。
• RQ5 密接に接続されたU-Netアーキテクチャが、標準的なU-Netバージョンと比較して運動補正におけるパフォーマンスにどのように寄与するか。

主な発見

• 提案手法は、合成および実際の呼吸運動歪みを伴う腹部MRIスキャンにおいて、ぼやけやゴーストアーティファクトを顕著に低減した。
• GAN誘導型トレーニングの適用により、補正出力の画像テクスチャがより現実的になり、構造的一致性が向上した。
• 知覚損失関数により、微細な解剖的詳細の保持が促進され、視覚的品質および診断的関連性が向上した。
• 定量的および定性的な両評価において、標準U-NetおよびL2損失を用いたU-Netといったベースライン手法と比較して、本手法は優れたパフォーマンスを達成した。
• 多様なデータセットにわたる一般化性能が高く、スキャンプロトコルや運動パターンの変動に対しても頑健であることが示された。
• 呼吸保持を要せず、追加のスキャン時間も不要なため、臨床応用に実用的な高品質な画像再構成が可能となった。