技術要約：マルチコントラストMRI再構成のための周波数誤差誘導型アンダーサンプリング最適化

1. 問題提起

磁気共鳴画像法（MRI）は臨床診断に不可欠であるが、長い撮像時間とモーションアーチファクトが課題となっている。マルチコントラストMRI（MC-MRI）再構成は、完全サンプリングされた参照スキャン（例：T2強調画像を再構成するためにT1強調画像を使用する）から相補的な情報を活用することで、有望な解決策を提供するが、既存の手法には以下の3つの決定的な限界がある：

1. 表層的な参照情報の融合： 現在の手法は、参照画像とターゲット画像の単純な結合に依存することが多く、クロスコントラスト間の構造的相関や相補的な意味情報を効果的に活用できていない。
2. 情報利用の不足： 固定された事前定義済みのアンダーサンプリングパターン（マスク）は、利用可能なk空間情報の完全な活用を制限しており、サンプリング戦略と再構成ネットワーク間の潜在的な相互作用を無視している。
3. 物理的な解釈性の欠如： 純粋なデータ駆動型ディープラーニングモデルは、ドメイン固有の物理的制約を欠いていることが多く、MRIの取得原理との不一致や解釈性の低下を招く。

2. 手法：JUF-MRIフレームワーク

著者らは、アンダーサンプリングパターンと再構成ネットワークを共同で最適化するために、2つの異なるステージで動作するディープアンフォールディングフレームワークであるJUF-MRI（Joint Under-sampling optimization with Frequency error for MC-MRI）を提案している。

ステージ1：周波数誤差事前分布（FEP）の生成

回復が困難なモダリティ固有の特徴を捉えるために、著者らは**条件付き拡散モデル（CDM）**を採用している。

• プロセス： CDMは、参照モダリティからターゲットモダリティを合成する。
• FEPの導出： 合成された画像とグラウンドトゥルース（真値）のターゲット画像の両方に高速フーリエ変換（FFT）を適用する。周波数領域における絶対差が、**周波数誤差事前分布（$r$）**を定義する。
• 意義： この誤差マップ（$r$）は、ターゲットを再構成するために参照情報が不十分な領域を強調し、どのk空間サンプリング点が最も重要であるかを示すガイドとして機能する。

ステージ2：共同最適化

FEP（$r$）は、サンプリングマスクと再構成ネットワークを統合的に最適化するための統一フレームワークに組み込まれる。

1. 連続サンプリングマスク（CSM）の取得： サンプリング変調行列を初期化し、正規化されたFEP（$r$）と組み合わせることで、連続的なサンプリングマスク（$M_c$）を生成する。これにより、学習中のマスクの微分可能な最適化が可能となる。
2. 共同最適化： 再構成画像とグラウンドトゥルースとの差異を最小化する損失関数を用いて、再構成ネットワークのパラメータ（$\theta$）と連続マスク（$M_c$）を共同で最適化する。
3. 二値化と微調整： 共同最適化の後、規定のスパース性を確保するために、加重平均と二分探索を介して離散的なサンプリングマスク（$M_d$）を導出する。その後、この固定された離散マスクを用いて再構成ネットワークの微調整を行う。

再構成ネットワークアーキテクチャ

再構成ネットワークは、**慣性ブロック主要化最小化（TITAN）**アルゴリズムをアンロールした、モデル駆動型ディープアンフォールディングアーキテクチャに基づいている。主な構成要素は以下の通りである：

• 目的関数： 画像領域とk空間領域の両方におけるデータ忠実度項、空間整合項、および特徴分解項を組み込んでいる。
• 空間整合モジュール（SANet）： 変形適応サンプラー（DAS）を使用して参照画像をターゲットに整列させ、MC-MRIで一般的な空間的な位置ずれの問題を軽減する。
  এটি
• 参照特徴分解： 整列された参照画像を、一貫した成分（$S$、ターゲットに関連するもの）と不一致な成分（$D$、ターゲットに関連しないもの）に分解し、無関係な情報が再構成を妨げるのを防ぐ。
• 周波数領域損失： 低周波成分と高周波成分の両方の誤差を明示的に分離して罰する結合周波数領域損失関数を提案しており、既存手法に共通する微細構造の回復不良という問題に対処している。

3. 主な貢献

1. 新規フレームワーク： 周波数誤差事前分布に導かれた、アンダーサンプリングパターンと再構成ネットワークを共同最適化するディープアンフォールディングフレームワークであるJUF-MRIの導入。
2. FEP生成： 条件付き拡散モデルを用いて、ターゲット特有のモダリティ特徴を捉え、サンプリング最適化のガイドとなる周波数誤差事前分布を生成する新しいアプローチ。
3. 高度な再構成ネットワーク： k空間データを目的関数に明示的に組み込み、空間整合を行い、特徴分解を用いることで、物理的な解釈性と再構成品質を高めたディープアンフォールディングネットワーク。
4. 周波数認識型損失： 低周波および高周波の誤差最小化のバランスを取ることで、微細な構造の詳細な回復を改善するように設計された、結合周波数領域損失関数。

4. 実験結果

本フレームワークは、様々な加速率（4倍から30倍）およびサンプリングスキーム（1D等間隔および学習型）において、3つのデータセット（IXI、BraTS2018、FastMRI）を用いて検証された。

• 定量的性能： JUF-MRIは、PSNR、SSIM、RMSEの観点において、最先端の手法（UNet、MDUNet、Restormer、VANet、MC-DuDoNを含む）を一貫して上回った。
  • 4倍加速の学習済みマスクを用いたIXIデータセットにおいて、JUF-MRIは54.23 dBのPSNRを達成し、次に優れた手法（LOUPEを用いたMC-DuDoN）を0.31 dB上回った。
  • 高加速（30倍）においても、JUF-MRIは優れた性能を維持し、極端なアンダーサンプリング条件下での堅牢性を示した。
• 視覚的品質： 定性的な比較により、JUF-MRIは、既存のベースラインと比較して、より明確な境界、灰白質と白質の間の良好なコントラスト、および微細な解剖学的詳細（例：膠芽腫の壊死コア）のより正確な回復を実現していることが示された。誤差マップは、グラウンドトゥルースとの全体的な不一致が低いことを示している。
• 効率性： 反復的なアンフォールディング設計による高い理論的FLOP数にもかかわらず、JUF-MRIはRTX 3090 GPU上で106.59 msの実行時間を達成した。また、Restormer（26.10 M）のような大規模モデルよりも大幅に少ない2.11 Mのパラメータのみを使用しており、非常にパラメータ効率が高い。
• 統計的有意性： 対照t検定により、ほとんどのシナリオにおいて、J موردの手法と比較してJUF-MRIの性能向上が統計的に有意であることが確認された（$p < 0.001$）。

5. 意義と主張

論文は、JUF-MRIが物理的なk空間特性とデータ駆動型ディープラーニングの間のギャップを埋めることにより、現在のMC-MRI再構成における根本的な限界に対処していると主張している。

• 物理的解釈性： モデル駆動型の最適化（TITAN）をデータ駆動型の学習と統合し、k空間の制約を明示的に組み込むことで、物理的に解釈可能なソリューションを提供している。
• 効率的なサンプリング： FEP誘導型の共同最適化により、モデルが情報量の多いk空間領域を優先するサンプリングパターンを学習することを可能にし、冗長性を減らしサンプリング効率を向上させている。
• 臨床的可能性： 高い再構成精度、低いパラメータ数、および実用的な推論速度の組み合わせにより、JUF-MRIは、メモリ制約や撮像時間が重要となる臨床システムへの展開における有力な候補となる。

著者らは、学習中のCDMの計算オーバーヘッドや、現在のシングルコイルデータセットへの依存といった限界も認めており、今後の研究として、拡散モデルの最適化およびフレームワークのマルチコイルシナリオへの拡張に焦点を当てることを示唆している。