핵심 개념
本稿では、位相情報を含まないマグニチュード画像のみを用いて、高精度かつロバストなMRI画像再構成を実現する生成的な事前分布の構築手法を提案する。
本論文は、MRI再構成における事前情報として機能する、生成的な画像事前分布をマグニチュード画像のみから構築する新しいワークフローを提案しています。
研究の背景
MRIは非侵襲的な画像診断技術として広く用いられていますが、画像化速度と画質のバランスを取ることは依然として課題です。特に、検査時間を短縮するためにk空間データが高度にアンダーサンプリングされる場合、画像再構成における事前情報の活用が重要となります。従来の圧縮センシングでは、画像が変換ドメインにおいてスパースであるという事前知識が用いられてきましたが、近年では深層学習を用いることで、学習データセットから学習した事前情報を活用することで、画質を損なうことなく、さらに高いアンダーサンプリングを実現できる可能性が示唆されています。
提案手法
本論文では、マグニチュード画像のみから事前情報を抽出するための実用的なワークフローを提案しています。
データの準備: まず、公開されている脳MRI画像データベースABIDEを用いて、画像を前処理し、学習用データセットを作成します。
位相拡張: ABIDEの画像はマグニチュード画像のみであるため、複雑な画像の事前分布を用いて位相情報を付加します。具体的には、少数の複雑な画像データセットで事前に学習した拡散モデルを用いて、ABIDEの各マグニチュード画像に対して、位相情報を持つ複数の複雑な画像を生成します。
生成モデルの学習: 位相拡張された画像を用いて、複雑な画像の事前分布を学習します。本論文では、PixelCNNと拡散モデルの2種類の生成モデルを学習し、比較しています。
画像再構成への応用: 学習した事前分布を、従来の画像再構成アルゴリズムにおける正則化項として組み込みます。具体的には、PICS(Parallel Imaging Compressed Sensing)とNLINV(Nonlinear Inversion)の2つの再構成アルゴリズムに適用し、その有効性を評価しています。
結果と考察
実験の結果、位相拡張を用いてマグニチュード画像のみから学習した事前分布は、従来のℓ1ウェーブレット正則化よりも優れた画像再構成性能を示すことが確認されました。また、大規模なデータセットで学習した事前分布は、より高いロバスト性を示すことも明らかになりました。
結論
本論文で提案されたワークフローは、既存のマグニチュード画像データセットから事前情報を抽出し、高精度なMRI画像再構成を実現するための効果的な手法です。このアプローチは、放射線医学部門のアーカイブにすでに存在する膨大な数のDICOM画像の情報を活用する道を開くものです。
통계
ABIDEデータセットから約8万枚の画像を用いて事前分布の学習を行った。
3D TurboFLASHシーケンスを用いて取得した6人のボランティアのデータセットを用いて、8.2倍のアンダーサンプリングで再構成を行い、臨床医による評価を行った。
再構成された画像は、5段階評価(5: 優れている、1: 悪い)で評価された。