2022 Fiscal Year Annual Research 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，偽像が重畳した画像を入力とし，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．4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．
|
