Model-based Dynamic 3D MRI Reconstructions using Neural Fields and Tensor Product Expansions

技術的概要：ニューラル場とテンソル積展開を用いたモデルベースの動的 3D MRI 再構成

問題定義
従来の MRI 再構成法は、画像とコイル感度を離散配列として扱います。これはデジタルデータに適していますが、高いメモリ要求をもたらすとともに構造的な認識を欠き、整合性を強制するために強力な正則化（例えば、全変動）を必要とします。これらの限界は、心臓の運動を解像するために高い加速因子が要求される、高度に undersampled な状況、すなわち動的 2D および 3D 心臓磁気共鳴（CMR）において決定的なものとなります。既存の深層学習アプローチは代替手段を提供しますが、通常は大規模な教師ありトレーニングデータセットに依存しており、スキャナやプロトコル間での適応性を低下させ、固定解像度に縛られたままです。さらに、Implicit Neural Fields（INFs）は連続的な表現を提供しますが、高密度グリッドに必要な評価点の指数関数的増加により、高次元（動的 3D）問題に完全な多変量ニューラルネットワークを適用することは計算的に禁止されています。

手法
著者らは、単変量ニューラル場のテンソル積に基づく**ニューラル場展開（NFEs）**を用いて、磁化とコイル感度を連続的かつ微分可能な関数として表現する、離散化フリーのモデルベースフレームワークを提案します。

• テンソル積アーキテクチャ: 単一の多変量ネットワークの代わりに、この手法は表現を各座標方向（空間および時間）の単変量多層パーセプトロン（MLP）のテンソル積に分解します。グリッドの次元が $P_1 \times \dots \times P_d$ である場合、多変量ネットワークは $\prod P_j$ 個の点を評価する必要がありますが、テンソル積アプローチは $d$ 個の単変量ネットワーク全体で $\sum P_j$ 個の点のみを評価します。これにより、計算複雑性は次元に対して指数関数的から線形に削減されます。
• 連続的な表現: 磁化 $m(t, x)$ とコイル感度 $S(x)$ の両方が NFEs としてモデル化されます。磁化は時空間領域で定義され、コイル感度は空間領域で定義されます。著者らは、高周波信号とその微分を正確に捉えるために、SIREN ネットワーク（正弦波活性化関数）を利用します。
• 結合最適化: このフレームワークは、外部のトレーニングデータセットや個別のコイル較正スキャンを必要とせず、undersampled な k-空間データから磁化とコイル感度を結合して再構成します。
• 目的関数: 再構成は、以下の損失関数の最小化を行います：
  • データ整合性: モデルの不一致と重たい裾を持つ残差を処理するように設計された、k-空間の偏差に重み付けされた $L_2$ ノルム。
  • 正則化: 磁化に対する空間的および時間的な全変動（TV）、時間微分に対する $L_1$ ペナルティ、ならびに滑らかさを促進するためのコイル感度微分に対する二乗 $L_2$ ペナルティ。
• 確率的最適化: メモリを管理し、動的 3D 再構成を可能にするため、目的関数は確率的勾配降下法（SGD）を用いて最適化されます。正則化項は、測定位置に対応するランダムにサンプリングされた連続点と離散カルテシアングリッド点の混合セット上で評価されます。この確率的定式化により、効率的なメモリ使用と最適化プロセスに対する微細な制御が可能になります。

主要な貢献

1. テンソル積定式化: 主な貢献は、単変量ニューラル場のテンソル積アーキテクチャの導入です。この構造は単一の多変量ネットワークに取って代わり、動的 3D MRI に不可欠なメモリおよび演算効率の高い評価と微分を可能にします。
2. 結合再構成: この手法は、磁化とコイル感度の両方をニューラル場として表現し、結合推定の不適切さを原理的な正則化を通じて解決しながら、これらを結合して再構成します。
3. 確率的モデルベース最適化: 確率的サンプリングと連続領域モデリングの統合により、標準的な GPU ハードウェア上で高い加速因子（例：因子 16）での再構成が可能となり、これは以前はメモリ制約により動的 3D データでは実行不可能でした。

結果
この手法は、3 つのデータセットで評価されました：後方視的 undersampled 動的 2D CMR、前方視的 undersampled 動的 3D 大腿部 MRI、および前方視的 undersampled 動的 3D CMR です。

• メモリ効率: テンソル積設計により、動的 2D の例において GPU メモリが 31 倍削減されました（使用量が約 23GB から約 750MB に減少）。動的 3D の場合、メモリ要件は 48GB GPU では実行不可能だった 48GB 超から 9〜12GB に削減されました。
• 動的 2D パフォーマンス: 加速因子（AF）8、12、16 において、NFE ベースの再構成は高い視覚的品質と時間的整合性を維持しました。対照的に、圧縮センシング（CS）のベースラインは、特に AF 12 および 16 で、明瞭なフリッカー、ストリーキングアーチファクト、およびぼやけを示しました。定量的指標（SSIM および PSNR）は、すべてのスライスと時間フレームにおいて NFEs を一貫して支持しました。
• 動的 3D パフォーマンス: この手法は、標準的な CS パイプラインでは計算的に実行不可能だったタスクである、生のバインディングされていない k-空間読み出しから直接時間分解画像を再構成することに成功しました（時間分解能 $\delta t = 5.4$ ms）。いくつかのノイズと局所的な境界強度の差が観察されました（おそらく強力な空間 TV 正則化によるもの）が、再構成は解剖学的に一貫しており、被験者間で時間的に整合していました。
• 動的 3D CMR: 定性的な比較において、NFE 再構成は解剖学的詳細を保持し、AF 16 における CS 再構成で見られたフリッカーアーチファクトから自由でした。

意義と主張
本論文は、テンソル積展開の構造的効率を活用することで、標準的なハードウェア上で計算的に実行可能かつ高品質な動的 3D MRI 再構成が可能であると主張しています。この手法は、教師ありトレーニングデータを必要とせず、異なる加速因子およびスキャナタイプ（1.5T および 3T）間で堅牢性を示しています。

著者らは謙虚に、NFEs が積極的な undersampling 下で構造と運動を保持する点において最先端の CS 手法を上回る一方で、フレームワークは依然として課題に直面していると指摘しています：

• ハイパーパラメータの感度: この手法は、モード、ネットワークアーキテクチャ、正則化重みなど、多数のハイパーパラメータを含みます。チューニングを実行可能にするためのヒューリスティックなガイドラインが開発されましたが、これは完全に自動化されたアプローチと比較して依然として限界です。
• 解釈可能性: 一般化フーリエ級数とのアナロジーは形式的なものです。学習されたモードは直交または線形独立ではないため、係数の大きさをモードの重要性として直接解釈することはできません。
• データの限界: 動的 3D CMR に関する評価は、バインディングされていない動的 3D 取得のための公的に利用可能な真値データセットの欠如により、単一の中等品質のスキャンに限定されました。

この研究は、連続領域モデリングがテンソル積分解と確率的最適化と組み合わさることで、高加速かつスキャン固有の MRI 再構成に対する実行可能な道筋を提供することを確立しています。