[论文解读] Automating Motion Correction in Multishot MRI Using Generative Adversarial Networks

Siddique Latif, Muhammad Asim+3 more|arXiv (Cornell University)|Nov 24, 2018

Advanced MRI Techniques and Applications参考文献 5被引用 14

一句话总结

本文提出了一种基于生成对抗网络（GAN）的端到端多期相磁共振成像（MRI）运动伪影校正框架，避免了迭代运动估计，实现了高达14°运动下的高保真图像重建，且相比最先进方法将重建时间缩短了两个数量级。

ABSTRACT

Multishot Magnetic Resonance Imaging (MRI) has recently gained popularity as it accelerates the MRI data acquisition process without compromising the quality of final MR image. However, it suffers from motion artifacts caused by patient movements which may lead to misdiagnosis. Modern state-of-the-art motion correction techniques are able to counter small degree motion, however, their adoption is hindered by their time complexity. This paper proposes a Generative Adversarial Network (GAN) for reconstructing motion free high-fidelity images while reducing the image reconstruction time by an impressive two orders of magnitude.

研究动机与目标

• 解决多期相MRI中运动伪影导致的图像质量下降及临床误诊风险问题。
• 克服现有迭代运动校正技术计算成本过高的问题，后者限制了其在临床中的应用。
• 开发一种端到端的GAN框架，直接重建无运动伪影的图像，无需显式估计运动状态。
• 在保持或提升图像保真度的同时，实现比最先进方法更快的重建速度。
• 证明深度生成模型在临床MRI运动校正应用中的可行性。

提出的方法

• 采用编码器-解码器结构并结合跳跃连接的U-Net生成器网络，用于重建受运动影响的MRI图像。
• 使用与生成器编码器部分结构相同的判别器网络，在对抗训练设置中区分真实图像与生成图像。
• 采用最小最大目标函数进行GAN训练：min_G max_D E_x[log(D(x))] + E_y[log(1 - D(G(y)))], 其中x为受污染图像，y为校正后图像。
• 在合成的运动污染数据上对生成器进行预训练，以加速对抗训练过程中的收敛。
• 通过三阶段方法，从BRATS 2015数据集合成运动污染的k空间数据，包括k空间扰动和图像分割。
• 在将图像输入GAN进行运动校正前，先应用标准CG SENSE重建，以支持端到端学习。

实验结果

研究问题

• RQ1 基于GAN的框架是否能在无需迭代运动估计的情况下有效校正多期相MRI中的运动伪影？
• RQ2 所提出的基于GAN的方法在图像质量与重建速度方面，相较于最先进迭代运动校正技术表现如何？
• RQ3 该方法在运动程度逐渐增加（最高达14°）的情况下，能多大程度上恢复高保真图像？
• RQ4 与传统运动校正流程相比，端到端GAN框架是否显著降低了计算时间？
• RQ5 能否有效利用公开数据集生成的合成运动污染数据来训练鲁棒的运动校正模型？

主要发现

• 在5°运动条件下，所提GAN方法达到31.82 dB的PSNR和0.95的SSIM，表明其在低至中等运动下具有高图像保真度。
• 在14°运动条件下，方法仍保持26.82 dB的PSNR和0.90的SSIM，证明其在严重退化情况下的鲁棒性。
• 该方法成功将运动校正上限扩展至14°，优于最先进方法[3]的10°上限，表现更优。
• 重建时间缩短至每幅扫描0.22–0.34秒（相较[3]的114–152秒），实现100倍加速。
• 定性结果表明，GAN生成的图像比[3]更清晰、更准确，尤其在保留细微解剖结构方面表现更佳。
• GAN框架无需显式估计运动状态即可有效去除运动伪影，显著降低计算开销。