Dynamic MRI Reconstruction Via Dual Deep Priors and Low-Rank Plus Sparse Modeling

技術的サマリー：双Deep Prior と低ランク＋スパースモデリングによる動的MRI再構成

問題定義
未サンプリングk空間測定値からの動的磁気共鳴画像法（MRI）再構成は、困難な逆問題である。これは、シネシリーズのフレーム間で時間的整合性を維持しつつ、高空間分解能を保持することを要求する。古典的な圧縮センシング手法は、スパース性や時間的冗長性（例えば、Low-Rank plus Sparse または L+S モデリングを介して）を利用するが、複雑な心臓動態に対しては制限的となり得る手作りの事前情報に依存している。一方、深層学習ベースのアプローチは強力な性能を達成するが、通常、大規模な完全サンプリング訓練データセットを必要とし、新しいスキャナ、プロトコル、または患者集団への汎化性を制限する。Deep Image Prior（DIP）のような訓練データ不要の手法は個々のスキャンに適応するが、時間構造を十分に活用できず、過学習を起こしやすい傾向がある。

手法
著者は、Deep Image Prior（DIP）の暗黙的正則化と、古典的な Low-Rank plus Sparse（L+S）分解の解釈可能性を統合する構造化フレームワークを提案する。

1. 双 DIP 再パラメータ化: 画像シーケンスを直接最適化するのではなく、動的 MRI データを低ランク背景成分（$L$）とスパース動的成分（$S$）に分解する。両成分は、$H_{\theta_L}$ および $H_{\theta_S}$ と表記される、別々の未訓練の 3 次元畳み込みニューラルネットワーク（CNN）によってパラメータ化される。これらの成分の Casorati 行列は、$z_L$ および $z_S$ が固定されたランダムな潜在入力であるとき、それぞれ $L(\theta_L, z_L)$ および $S(\theta_S, z_S)$ と定義される。
2. 最適化定式化: 再構成問題は、ネットワーク出力に対する低ランク制約とスパース制約の下でデータ忠実度項を最小化する形式で定式化される：
   $$\min_{\theta_L, \theta_S} \frac{1}{2} \|Y - A(L(\theta_L, z_L) + S(\theta_S, z_S))\|_2^2 + \lambda_L \|L(\theta_L, z_L)\|_* + \lambda_S \|W S(\theta_S, z_S)\|_1$$
   ここで、$Y$ は測定行列、$A$ は前方演算子、$\|\cdot\|_*$ は核ノルム、$W$ はスパース化変換である。
3. 外挿 ADMM（eADMM）: この非凸最適化問題を効率的に解くため、著者は外挿型交代方向乗数法（eADMM）を採用する。問題は、$L$ 用の補助変数 $V$ と $S$ 用の補助変数 $U$ を用いて再定式化される。アルゴリズムは、低ランク部分に対して特異値しきい値処理を、スパース部分に対してソフトしきい値処理を適用してこれらの変数を反復的に更新し、その後、DIP ネットワークパラメータの勾配ベース更新を行う。収束を加速するため、外挿ステップが導入される。

主要な貢献

• L+S 双 DIP パラメータ化: 本論文は、低ランク成分とスパース成分を異なる未訓練ネットワークでパラメータ化することで、時空間依存性を明示的にモデル化する新規フレームワークを導入する。これは、教師あり訓練データを必要とすることなく、ゆっくり変化する背景動態からスパースな時間的革新を分離する。
• 収束解析: 著者は、DIP ベースの生成器を利用する eADMM フレームワークに対する最初の理論的収束解析を提供する。リャプノフ関数を用いて十分減少性を確立し、ニューラルパラメータ化の非凸性にもかかわらず、生成されるシーケンスのすべての極限点が関連する目的関数の臨界点であることを示す。
• 広範な実証評価: この手法は、さまざまな加速因子（4 倍、6 倍、8 倍）における公開 OCMR データセット上で評価された。古典的圧縮センシング、教師あり学習ベースライン（L+S-Net）、および他の訓練データ不要手法（Multi-dynamic DIP、Low-rank DIP、Implicit Neural Representations）と比較された。

結果

• 定量的性能: 提案された L+S DIP 手法は、すべてのテストされた加速因子において、古典的圧縮センシング、他の DIP 変種、および Implicit Neural Representation（INR）手法を一貫して上回る。例えば、8 倍加速において、PSNR は INR ベースラインより約 3 dB 高く、他の DIP ベースラインよりほぼ 2 dB 高い。
• 教師あり学習との比較: この手法は、完全サンプリング訓練データを一切利用していないにもかかわらず、教師あり L+S-Net と競争力のある性能を達成する。
• アブレーション研究: 実験により、双アーキテクチャ（$L$ と $S$ 用の別々のネットワーク）が、単一ネットワーク変種や、低ランクのみまたはスパースのみの事前情報を使用するモデルよりも著しく優れていることが確認され、2 つの成分の相補性が実証された。
• 収束速度: 外挿パラメータ（$\alpha, \beta$）に関する研究は、中程度外挿が、非外挿または過度に攻撃的な設定と比較して収束速度を改善することを示している。

意義と主張
本論文は、このフレームワークが、大規模で高品質な完全サンプリングデータセットが利用できない、または取得が困難な医療画像シナリオにおいて特に魅力的であると主張する。DIP のスペクトルバイアス（自然に低周波画像構造を好む）と明示的な時空間正則化を組み合わせることで、この手法は動的 MRI における冗長性を効果的に捉えつつ、教師あり深層学習の汎化問題回避を実現する。著者は、この手法が既存の教師なしアプローチよりも微細な解剖学的構造を保持し、再構成アーティファクトをより低減することを強調しており、そのすべてが外部データでのネットワーク訓練という計算負担を伴わない。ただし、論文は控えめに、スキャン固有のテスト時最適化の必要性が、教師あり手法の推論時間と比較してより長い再構成時間をもたらすことを認めている。