2019 Fiscal Year Research-status Report
深層学習を利用したMRI圧縮センシング再構成に関する研究
| Project/Area Number |
19K04423
|
|---|
| Research Institution | Utsunomiya University |
|---|
Principal Investigator |
伊藤 聡志 宇都宮大学, 工学部, 教授 (80261816)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | MRI / 深層学習 / 再構成 / 圧縮センシング / イメージング |
|---|
| Outline of Annual Research Achievements |
磁気共鳴現象を利用したMagnetic Resonance Imaging(MRI)の課題の一つに撮像の高速化がある．圧縮センシングは撮像時間を短縮できる有望な方法であるが，得られる画像が自然でない場合があること，また画像再構成に時間を要するという２つの問題がある．そこで，本申請では画像再構成問題に深層学習を導入する新たな方法について検討を行う．
ネットワークの学習には，入力を偽像が重畳した画像とし，偽像のない画像を出力する画像間学習と，MR信号を入力とし，再構成像を出力とする信号－画像間学習がある．令和元年度は，両方法について検討を行った．画像間学習では，スケーリングを行わない方法，および敵対的生成ネットワーク(GAN)の2通りの方法による再構成を行った．スケーリングを行わない方法では，信号の間引き率が大きい場合は，ランダムな間引きよりも規則的な間引きの方が鮮鋭で高いPSNRの画像が得られる特異な性質が明らかになった．GANでは，スケーリングを行わない方法に比べコントラストや細部の再現性に優れる画像が得られることが示された．
信号画像間学習では，交互方向乗数法(ADMM)と反復的ソフト閾値法(ISTA)による再構成を行った．学習には多くの時間を要するが，高品質画像が得られる可能性が示された．また，これまで研究を行ってきた位相拡散フーリエ変換法の信号を利用すると，通常のフーリエ変換法よりも高品質な再構成像が得られる可能性が示された．この方法は，画像の超解像にも応用でき，帯域制限された信号から帯域を越える信号の復元が可能であり．新たな超解像の可能性が示された．
深層学習を利用する方法のいずれも反復的な画像再構成法よりも高品質な画像再構成を可能とし，また，再構成にようする時間は，大幅に短縮化される結果が得られた．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
ネットワークの学習では，画像間学習と信号－画像間学習の2通りの場合について検討を行った．画像間学習では，さらにスケーリングを行わない方法と敵対的生成ネットワーク(GAN)の2通りの方法を検討した．また，学習に使用する画像データを多くするほど再構成品質が向上することを確認した．スケーリングを行わない方法では，信号の間引き率が大きい場合は，ランダムな間引きよりも規則的な間引きを行う方が鮮鋭で高いPSNRの画像が得られるという圧縮センシングの理論とは異なる性質が明らかになった（映像情報メディア学会研究会で発表を行い，研究奨励賞を受賞）．GANでは，スケーリングを行わない方法に比べコントラストや細部の再現性に優れる画像が得られることが示された．スケーリングを行わない方法は，論文を投稿し採択されている（Magnetic Resonance in Medical Sciences），GANは日本医用画像工学会等で研究発表を行っている．
信号－画像間学習では，ADMMを使用する方法とISTAを応用した方法の検討を行った．その結果，学習に要する時間が，画像間学習に比べ長いこと，スパース化関数を使用するが学習により最適化されること，画像間学習よりも高画質が得られる可能性があることなどが明らかになった．また，汎用法であるフーリエ変換法に規則的な位相変調を導入する位相拡散フーリエ変換法の信号をこのネットワークに応用すると，通常のフーリエ変換法に比べて高品質な画像が得られる可能性が示された．深層学習を利用しない場合でも明らかになっていたが，深層学習を利用する場合でも改めて高画質化の可能性が示された．
以上のように，当初の予定をおおむね満足する研究成果が得られており，順調に推移していると考える．
|
| Strategy for Future Research Activity |
画像処理に関する研究は，その殆どが画像を実関数として扱うが，MRIで取得される画像は，実関数画像ではなく，位相を含んだ画像である．位相は人体組織の情報を与えるものであり，また，位相を考慮した画像再構成の方が，精度が高まると考える．そこで，位相を考慮した深層学習再構成が必要となる．一般に画像の輝度値と位相分布の２つの未知数を求めることは，より困難な問題設定となる．このテーマに関して，我々は位相分布の推定を必要としない新たな方法を提案した．この方法は，信号取得法を工夫するものである．提案法の有効性と優位性を検証することが今後の研究課題である．
MRIの撮像を高速化する方法として多くの方法があるが，我々は光の回折を利用した方法の検討を行っている．本方法によれば，2次元的に収集した信号から任意の断面に焦点を合わせた画像を生成できる．この方法では，焦点面の他に焦点面以外の像が重なる問題があった．深層学習を利用することにより焦点面以外の像成分を大きく低減することが期待できる．この全く新しいMRIの高速化法について検討を行うことが課題である．
深層学習の学習品質を決定する要素に評価関数と活性化関数がある．いずれも研究は発展途上であり，新たな方法が創出されている．これらの新たな要素を取り入れ，学習の品質をあげることがかだいである．
|
| Causes of Carryover |
新型コロナウィルスのまん延により参加を予定していた学会等を欠席した．そのため当初の計画より使用額が減った．
|
