[论文解读] 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 6

一句话总结

本文提出了一种无监督深度学习方法，用于磁共振运动伪影校正，通过在相位编码方向上进行k空间子采样，实现对异常值的排斥性自助聚合，以抑制运动引起的k空间异常值。通过使用最优传输驱动的无监督学习训练循环生成对抗网络（cycle-GAN），该方法在无需成对训练数据的情况下实现了高质量的伪影去除，在模拟和真实瞬时严重运动（TSM）数据的定量指标与临床评估中均优于当前最先进方法。

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.

研究动机与目标

• 为解决临床环境中缺乏运动自由与伪影污染MR图像成对数据的问题，特别是钆塞维-EOB-DTPA增强MRI中的瞬时严重运动（TSM）问题。
• 开发一种无需依赖监督成对数据的深度学习方法，以校正运动伪影，因为此类数据在真实临床应用中通常不可用。
• 通过显式排斥由运动引起的k空间异常值，利用运动诱导的相位编码伪影在k空间中的稀疏性，提升图像质量。
• 通过采用最优传输驱动的循环生成对抗网络（cycle-GAN）而非标准监督训练，减少模糊并保留解剖细节。

提出的方法

• 该方法在相位编码方向上进行k空间子采样，以概率方式排斥由运动引起的异常值，利用其在k空间中的稀疏性。
• 通过在多个随机k空间子采样子掩码上训练重建网络，应用自助聚合以提升鲁棒性。
• 采用无监督循环生成对抗网络框架，并结合最优传输技术，对齐伪影图像与干净图像之间的域分布，避免成对数据带来的偏差。
• 网络仅在无伪影MR图像上进行训练，训练过程中完全无需成对数据。
• 该框架设计为对真实世界中的运动伪影（包括肝胆期MRI中的TSM）具有鲁棒性。
• 该方法将k空间子采样与深度学习重建相结合，实现无需显式运动建模的伪影校正。

实验结果

研究问题

• RQ1 在相位编码方向上进行k空间子采样是否能有效排斥MR图像中由运动引起的异常值？
• RQ2 与监督学习相比，采用最优传输驱动的循环生成对抗网络进行无监督训练是否能更好地保留图像细节并减少模糊？
• RQ3 所提出的方法是否能在不使用任何成对训练数据的情况下实现高质量的运动伪影校正？
• RQ4 与现有最先进方法相比，该方法在真实瞬时严重运动（TSM）数据上的表现如何？
• RQ5 该方法的性能是否对子采样方向敏感？相位编码方向的子采样是否具有唯一性，能够实现伪影校正？

主要发现

• 该方法在无需成对数据的情况下，成功校正了TSM影响的钆塞维-EOB-DTPA增强MR扫描中的模拟与真实运动伪影。
• 在相位编码方向上进行子采样对伪影校正至关重要；在频率编码方向上子采样无法去除运动伪影。
• 与监督训练相比，采用最优传输驱动的无监督循环生成对抗网络能更好地保留精细解剖纹理，后者常导致模糊。
• 尽管未使用成对数据，该方法在定量指标上仍与使用成对数据的最先进监督方法MARC表现相当。
• 临床评估证实，该方法生成的图像具有更高的结构保真度和更少的伪影，可满足诊断需求。
• 在定量指标与定性结果上，该方法均优于Cycle-MedGAN V2.0，避免了残留伪影的放大。