機械学習によるMRIの撮像時間短縮

2017 Fiscal Year Research-status Report

• Project/Area Number: 17K00308
• Research Institution: Kyushu University
• Principal Investigator: 川喜田 雅則 九州大学, システム情報科学研究院, 助教 (90435496)
• Co-Investigator(Kenkyū-buntansha): 實松 豊 九州大学, システム情報科学研究院, 准教授 (60336063) ; 久原 重英 杏林大学, 保健学部, 教授 (60781234)
• Project Period (FY): 2017-04-01 – 2020-03-31
• Keywords: 深層学習 / MRI / 空間結合圧縮センシング

Outline of Annual Research Achievements

今年度行った研究の進捗について以下にまとめる．
（１）　九州大学病院より300例のMRI画像の取得を完了した．この数は当時最新の先行研究であった，Yang et al. (2016)に用いられているデータ数の二倍である．さらに，復元された画質が実際の診断において十分であるか評価するため健常者及び（該当のMRI画像より診断された）特定の疾病を持つ患者の療法を含めた．
（２）　空間結合圧縮センシングについて，パワーアロケーションを用いかつ，しきい値関数\etaの定義の中に現れる「残差の分散」に相当するパラメータについて，大極限のもとで導出された理論値を用いるのではなく，観測値を用いた推定値を用いると，従来より短い符号長において，レート0.7C(ここでCはチャネルキャパシティを表す）程度で5%程度のブロック誤り率を達成できることを数値実験により確認した．
（３）　（１）により取得した各MRI画像から高速撮影時に得られる劣化画像を生成した．その際のアンダーサンプリングには放射状サンプリング及びポアソンサンプリングを用いた．さらにそれらの各劣化画像から1/2，1/3，1/4，1/5，1/10などの縮小画像を作成した．そして各解像度毎にそれらの縮小画像及び対応する元の（劣化していない）MRI画像を訓練データとして用意した．その後各解像度毎にDongらによる超解像のための深層学習の構造をベースにした深層学習により劣化画像の画質復元関数を学習した．その結果，PSNRにおいて5-15DBぐらいの復元精度を達成できることを確認した．

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

概ね当初の計画に沿って研究が進行している．

Strategy for Future Research Activity

(1) 空間結合を反映させたMRIの観測数削減を行い，空間結合圧縮センシングにより画像復元を試みる．
(2) 各解像度における深層学習による復元画像を，さらに深層学習により統合し復元精度の向上を図る．
(3) 深層学習のモデル選択の検討を進める．
(4) (2)ではDongらの超解像のための深層学習を用いたが，Gregor and Lecun (2010)の考え方に基づく深層学習の適用を検討する．

Causes of Carryover

GPUマシンのGPUについては研究の進捗状況に応じて購入するため，今年度はGPUは一つ購入するにとどめた．残額については次年度にGPUを追加購入するため用いる予定である．