[論文レビュー] Unsupervised MR Motion Artifact Deep Learning using Outlier-Rejecting Bootstrap Aggregation

Gyutaek Oh, Jeong Eun Lee+1 more|arXiv (Cornell University)|Nov 12, 2020

Advanced MRI Techniques and Applications参考文献 44被引用数 6

ひとこと要約

本稿では、位相エンコーディング方向に沿ったk空間の部分サンプリングを用いた外れ値拒否型ブートストラップアンサンブルを介して、運動由来のk空間外れ値を抑制することで、非教師あり深層学習手法を提案する。最適輸送駆動型非教師あり学習を用いてサイクルGANを訓練することで、ペairedデータを必要とせず、優れたアーティファクト除去を達成し、模擬的および実際の一時的重度運動（TSM）データにおける定量的指標および臨床的評価において、最先端手法を上回る性能を発揮する。

ABSTRACT

Recently, deep learning approaches for MR motion artifact correction have been extensively studied. Although these approaches have shown high performance and reduced computational complexity compared to classical methods, most of them require supervised training using paired artifact-free and artifact-corrupted images, which may prohibit its use in many important clinical applications. For example, transient severe motion (TSM) due to acute transient dyspnea in Gd-EOB-DTPA-enhanced MR is difficult to control and model for paired data generation. To address this issue, here we propose a novel unsupervised deep learning scheme through outlier-rejecting bootstrap subsampling and aggregation. This is inspired by the observation that motions usually cause sparse k-space outliers in the phase encoding direction, so k-space subsampling along the phase encoding direction can remove some outliers and the aggregation step can further improve the results from the reconstruction network. Our method does not require any paired data because the training step only requires artifact-free images. Furthermore, to address the smoothing from potential bias to the artifact-free images, the network is trained in an unsupervised manner using optimal transport driven cycleGAN. We verify that our method can be applied for artifact correction from simulated motion as well as real motion from TSM successfully, outperforming existing state-of-the-art deep learning methods.

研究の動機と目的

• 臨床現場における運動フリーとアーティファクト混在のMR画像ペアの欠如、特にGd-EOB-DTPA強化MRIにおける一時的重度運動（TSM）に対して、課題を解決すること。
• 教師ありペアデータを必要としない深層学習手法を開発し、実臨床応用においてしばしば入手困難なデータを前提とすること。
• 運動由来の位相エンコーディングアーティファクトのスパarsityを活用し、k空間外れ値を明示的に拒否することで、画像品質を向上させること。
• 標準的な教師あり学習に代えて、最適輸送駆動型サイクルGANを用いることで、ぼやけを低減し、解剖学的細部を保持すること。

提案手法

• 位相エンコーディング方向に沿ったk空間部分サンプリングを用い、運動由来の外れ値を確率的に拒否し、k空間におけるそのスパarsityを活用する。
• 複数のランダムなk空間部分サンプリングマスクを用いて再構成ネットワークを訓練することで、ブートストラップアンサンブルを適用し、ロバストネスを向上させる。
• ペアデータからのバイアスを回避するため、アーティファクトあり画像とクリア画像間のドメイン分布を最適輸送を用いて一致させる非教師ありサイクルGANフレームワークを採用する。
• ネットワークはペアデータを一切使用せず、クリアなMR画像のみで訓練される。
• 実臨床における運動アーティファクト、特に肝胆道相MRIにおけるTSMに耐性を持つように設計されている。
• 明示的な運動モデリングを伴わず、k空間部分サンプリングと深層学習再構成を統合することで、アーティファクト補正を実現する。

実験結果

リサーチクエスチョン

• RQ1 位相エンコーディング方向に沿ったk空間部分サンプリングは、MR画像における運動由来外れ値を効果的に拒否できるか？
• RQ2 最適輸送駆動型サイクルGANを用いた非教師あり学習は、教師あり学習に比べて、画像の細部をよりよく保持し、ぼやけを低減できるか？
• RQ3 提案手法はペアデータを一切使用せずに、高品質な運動アーティファクト補正を達成できるか？
• RQ4 既存の最先端手法と比較して、本手法は実際の一次的重度運動（TSM）データにおいてどのように性能を発揮するか？
• RQ5 本手法の性能は部分サンプリング方向に敏感であるか？また、位相エンコーディング方向の部分サンプリングが、唯一、アーティファクト補正を可能にする要因であるか？

主な発見

• 本手法は、Gd-EOB-DTPA強化MRスキャンにおいてTSMに影響を受ける模擬的および実際の運動アーティファクトを、ペアデータを一切必要とせず効果的に補正した。
• 位相エンコーディング方向への部分サンプリングがアーティファクト補正に不可欠であり、周波数エンコーディング方向への部分サンプリングでは運動アーティファクトの除去に失敗した。
• 最適輸送駆動型非教師ありサイクルGANは、教師あり学習に比べて、細かな解剖学的テクスチャをよりよく保持しており、ぼやけを低減した。
• ペアデータを使用しないにもかかわらず、教師あり最先端手法MARCと同等の定量的指標を達成した。
• 臨床的評価により、本手法は構造的忠実性が向上し、アーティファクトが低減した診断的に有用な画像を生成することが確認された。
• 定量的指標および定性的な結果の両面で、Cycle-MedGAN V2.0を上回り、残留アーティファクトの増幅を回避した。