2021 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 – 2023-03-31
|
Keywords | 磁気共鳴映像法 / 深層学習 / 高速撮像 / 画像再構成 |
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.深層学習を導入する新たな高速撮像と画像再構成法について検討を行った.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. 画像間学習では,画像そのものを学習するend-to-endタイプと多重解像度展開した空間の学習を行う方法について検討を行った.画像そのものを学習する方法では,敵対的生成ネットワーク(GAN)を使用し,高画質化のためにアンサンブル学習を導入した.アンサンブル学習には,他で発表されていないフレネル変換を使用して回折によりぼけた分布を作成し,それを求める複数のネットワークを構築した.3種類の回折分布画像を追加した結果,画質改善効果を確認し,提案法の有効性を検証できた. また,多重解像度展開した空間の学習を行う方法では,研究室で独自に提案したeFREBAS変換を使用して展開した画像群をネットワークで学習を行った.結果,多重解像度展開を使用しない方法よりも生体構造の保存程度に優れた画像を再生することができた. 信号-画像間学習では,信号の間引き方を工夫することにより位相を含む複素画像を実関数CNNを使用して解く新たな方法について検討を行った.臨床では位相を含んだMR画像が得られるので,実関数CNNで複素画像の学習が可能となれば,実用性が高く,かつ有望な方法となる.実関数CNNを利用することにより,画像のデータ拡張が容易に実現でき,また,複素数を考慮する必要がないので,計算が容易,かつ活性化関数の設計も自由度が増え,利点が多い.複素数CNNを使用する方法と比較を行った結果,学習時間が短く,また,良質な画像を再構成できることが明らかになった.
|
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,画像間学習と反復再構成をモデルとする信号-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,敵対的生成ネットワーク(GAN)を利用する方法と通常のU-Netを使用したネットワークの2通りの方法を検討した. 敵対的生成ネットワーク(GAN)を利用する方法では,再構成像の品質改善のために信号と画像だけでなく,信号とフレネル変換分布を学習するネットワークを導入する新たなアーキテクチャを考案した.再構成実験からアンサンブル学習の効果により再構成像のPSNRを改善することができた.特に,弱コントラスト部分の改良がみられた. 位相推定を必要としない方法では,信号の収集に対称性を与えることにより実部と虚部を独立に再構成できる.U-Netを用いた再構成法を構築し,再構成実験を行った結果,複素数を使用するタイプなどと比較しても高いPSNRの画像を再生することが示された.特に位相変化が急峻の場合でも位相に頑健な再構成が可能である特徴が示された. 汎用のフーリエ変換映像法に2次の位相変調を導入する方法では,位相を含む画像への対応可能性を検討した.その結果,位相画像では実関数画像に比べてPSNRは低下するが,良質な画質を改善できること,および,汎用法では不可能な完全に等間隔な信号間引きパターンを使用しても良質な画像を再生できる可能性が示された. 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 |
(1)画像空間学習では,以下の項目について検討を行う予定である. フレネル変換による画像種の変換を利用し,アンサンブル学習による画質向上を詳細に検討する.いくつかのCNN再構成法に応用し,他のCNN再構成に対する有効性を確認する. (2)信号-画像間学習では以下の項目について検討を行う予定である. 実関数用CNNで位相画像再構成可能な方法の検討を続ける.本方法の拡張性,優位性を,得られる再構成像の品質を明らかにする. 研究期間の最終年度であるため,研究期間に実施した研究を振り返り,研究の不備等がないか確認し,研究全体の完成度をあげる.
|
Causes of Carryover |
新型コロナウィルスのまん延により,現地参加を予定していた学会等がオンライン参加となったために旅費が使用見込みより減ったことが次年度使用額が生じた理由である. 学会は現地参加が増えることを見越し,以下の使用予定とする. 学会参加旅費:40万円,深層学習計算用PC購入:40万円,謝金:3万円
|