Interlaced R2D2 DNN Series for Scalable Non-Cartesian MRI with Sensitivity Self-calibration

기술 요약: 감도 자기 보정을 위한 확장 가능한 비카르테시안 MRI 를 위한 인터레이스드 R2D2 DNN 시리즈

문제 제기
본 논문은 가속화된 비카르테시안 자기공명영상 (MRI) 획득, 특히 하위 샘플링된 방사형 k-공간 궤적로부터 고품질 영상을 재구성하는 과제를 다룹니다. 딥러닝이 MRI 재구성을 발전시켰지만, 기존 방법들은 다중 코일 비카르테시안 데이터에 적용될 때 상당한 확장성 장벽에 직면합니다.

1. 풀린 (Unrolled) 아키텍처의 확장성: 비균일 고속 푸리에 변환 (NUFFT) 연산자를 직접 학습 그래프에 내장하는 표준 풀린 딥러닝 네트워크 (DNN) 는 고밀도 코일 어레이나 고차원 영상 촬영 시 막대한 메모리 및 계산 비용을 초래합니다.
2. 감도 맵 보정: 다중 코일 재구성은 정확한 코일 감도 맵에 의존합니다. 매우 가속화된 비카르테시안 획득에서 표준 보정 방법 (예: ESPIRiT) 은 제한된 보정 데이터로 인해 종종 최적이지 않은 맵을 산출합니다. 이는 정밀한 감도 지식을 가정하는 반복 알고리즘의 성능을 저하시키는 '도메인 이동 (domain-shift)' 오차를 유발합니다.
3. 정적 대 적응적 업데이트: 기존 공동 최적화 또는 풀린 접근법은 일반적으로 고정된 사전 정의된 업데이트 일정에 의존합니다. 실제 오차 지형에 따라 변수 (영상 대 감도) 당 업데이트 횟수를 동적으로 적응시키는 능력이 부족하여 종종 불안정성이나 최적이지 않은 수렴을 초래합니다.

방법론: iR2D2
저자들은 원래 전파천문학을 위해 개발된 R2D2(Residual-to-Residual DNN series) 프레임워크를 MRI 영역으로 확장한 확장 가능한 DNN 시리즈 패러다임인 iR2D2(Interlaced R2D2) 를 제안합니다.

• 인터레이스드 아키텍처: 감도 업데이트에 단일 모델을 사용하는 표준 풀린 네트워크와 달리, iR2D2 는 두 개의 병렬 인터레이스드 DNN 모듈 시리즈를 사용합니다:

  1. 영상 재구성 시리즈: 데이터 잔차에 기반하여 잔차 영상을 반복적으로 추정하는 U-WDSR 네트워크를 사용합니다.
  2. 감도 자기 보정 시리즈: 감도 특이적 데이터 잔차에 기반하여 코일 감도 맵을 반복적으로 정제하는 U-Net 아키텍처를 사용합니다.
     이 두 시리즈는 교대로 작동하여 재구성 과정에서 물리적 측정 연산자 (감도 맵) 와 해부학적 추정치 (영상) 를 공동으로 정제할 수 있게 합니다.

• 업데이트 조건 (UC) 을 통한 적응적 최적화: 핵심 혁신은 고정된 반복 일정을 오차 제어형 업데이트 조건 (UC) 으로 대체하는 것입니다. 영상 또는 감도 맵에 대한 업데이트를 수용하기 전에, 알고리즘은 업데이트가 잔차 에너지의 충분한 감소를 초래하는지 확인합니다 (임계값 $\zeta = 0.99$로 강제됨).

  • 조건이 충족되면 업데이트가 수용됩니다.
  • 그렇지 않으면 업데이트가 거부되고 이전 상태가 전파됩니다.
    이 동적 메커니즘은 단조로운 에너지 감소를 보장하고 수치적 노이즈의 증폭을 방지하며, 알고리즘이 각 변수에 대해 특정 데이터 인스턴스에 기반하여 필요한 업데이트 횟수를 결정할 수 있게 합니다.

• 학습 전략: DNN 시리즈는 교대로 순차적으로 학습됩니다. 먼저 감도 네트워크가 코일 프로파일을 정제하기 위해 학습된 후, 영상 재구성 네트워크가 학습됩니다. 점진적 초기화가 사용되며, 시리즈의 후속 네트워크는 고주파 잔차를 정제하는 데 집중하기 위해 이전 모듈의 가중치로 초기화됩니다.

주요 기여

1. 확장 가능한 비카르테시안 재구성: R2D2 패러다임의 특징인 NUFFT 기반 잔차 계산을 역전파 그래프에서 외부화함으로써, iR2D2 는 풀린 아키텍처와 관련된 막대한 메모리 오버헤드를 피하여 대규모 다중 코일 데이터셋에서의 학습을 가능하게 합니다.
2. 학습된 감도 자기 보정: 이 프레임워크는 하위 샘플링된 데이터에서 직접 감도 맵 오차를 보정하는 법을 학습하는 맞춤형 인터레이스드 아키텍처를 도입하여, 사전 계산된 잠재적으로 부정확한 감도 사전 지식에 대한 의존성을 제거합니다.
3. 동적 오차 제어 업데이트: UC 메커니즘의 도입은 블록 좌표 최적화를 일반화하여, 고정된 일정이 아닌 수렴 행동에 기반하여 업데이트를 적응적으로 할당할 수 있게 합니다.
4. 고급 아키텍처의 통합: 이 논문은 초해상도에 Previously 사용된 U-WDSR 아키텍처를 MRI 영역의 핵심 영상 재구성 모듈로 성공적으로 통합하여, 표준 U-Net 백본보다 우수한 정확도를 입증했습니다.

결과
저자들은 시뮬레이션 및 실제 하위 샘플링된 방사형 k-공간 데이터 (무릎 MRI) 에 대해 iR2D2 를 평가했습니다.

• 정량적 성능: iR2D2(U-WDSR 사용) 는 시뮬레이션 데이터에서 최대 신호 대 잡음비 (PSNR) 40.21 dB 및 SSIM 0.96을 기록하여 NC-PDNet, DDS(확산 기반), 그리고 기준선 R2D2 를 포함한 벤치마크를 크게 능가하는 최첨단 성능을 달성했습니다.
• 가속화에 대한 강건성: 이 방법은 다양한 가속 인자 (AF 3~19.2) 에서 우수한 성능을 유지한 반면, 다른 방법들은 더 높은 가속에서 상당한 성능 저하를 보였습니다.
• 수렴 안정성: 업데이트 조건의 포함이 결정적인 것으로 나타났습니다. 이를 포함하지 않으면 감도 잔차가 불규칙한 스파이크를 보이며 단조롭게 수렴하지 못했습니다.
• 실제 데이터 검증: 실제 임상 데이터 (금속 임플란트가 있는 전방십자인대 재건 후) 에서 iR2D2 는 풀린 방법 (NC-PDNet, R2D2-Net) 에서 관찰된 그림자 아티팩트와 앨리어싱을 성공적으로 제거하고, 확산 기반 방법 (DDS) 의 과잉 평활화 특성을 피했습니다. 이는 경골 성장판 흉터와 같은 미세한 해부학적 구조에 대한 가장 선명한 윤곽을 제공했습니다.
• 확장성: 확장성 분석 결과, 풀린 네트워크 (NC-PDNet, R2D2-Net) 는 코일 수가 증가함에 따라 학습 시간이 급격히 증가하는 반면, iR2D2 는 얕은 성장률을 유지하여 고 코일 수 (예: $L=64$) 에서 풀린 대응물보다 학습 시간이 수배 더 빠른 것으로 나타났습니다.

의의 및 주장
본 논문은 iR2D2 가 확장 가능하고 고품질인 비카르테시안 MRI 재구성을 위한 새로운 패러다임을 대표한다고 주장합니다. 그 주요 의의는 다음과 같은 방식으로 이론적 재구성 제약과 실제 획득 현실 사이의 간극을 메우는 데 있습니다:

• 학습된 자기 보정을 통해 보정 병목 현상을 해결하여 완벽한 사전 계산된 감도 맵에 대한 의존성을 제거합니다.
• R2D2 시리즈 구조를 활용하여 풀린 네트워크의 계산 병목 현상을 극복함으로써 고차원 다중 코일 영상 촬영을 실현 가능하게 합니다.
• 충분한 잔차 에너지 감소를 보장하는 동적 오차 제어 업데이트를 통해 수학적으로 안정된 프레임워크를 제공합니다.

저자들은 iR2D2 가 새로운 최첨단 기준을 설정하여, 복잡하고 고차원적인 MRI 응용 분야를 위한 빠르고 보정된 영상의 임상 배포를 위한 실현 가능한 길을 제시한다고 결론지으며, 향후 3D 및 4D 동적 영상 촬영을 위한 작업이 계획되어 있다고 밝혔습니다.