Generalizable Deep Learning Method for Suppressing Unseen and Multiple MRI Artifacts Using Meta-learning

要約

タイトル：メタ学習を用いたMRIアーティファクトの抑制の汎用的深層学習手法

要約：
– MR（磁気共鳴）画像は、動き・空間解像度・アンダーサンプリングなど、さまざまな種類のアーティファクトに悩まされる。
– 従来の深層学習手法は、特定の種類のアーティファクト除去に取り組むため、アーティファクトのタイプごとに訓練されたモデルがあり、アーティファクト間で共有される知識が不足している。
– 一方で、各タイプ・量のアーティファクトに対するモデルの訓練は手間がかかり、訓練時間やモデルのストレージを消費する。
– 複数のアーティファクトを共通に学習し、変動があるアーティファクトのタイプと量に応じて一般化する共通知識を獲得するために、モデルに関係ないメタ学習（MAML）を用いることができる。
– ここでは、モデルの訓練中に可変的なアーティファクトの複雑さの知識を与えるカリキュラム学習を統合し、複数のアーティファクトの修復を適応的に学習する学習プロセスであるカリキュラム-MAML（CMAML）を提案する。
– 2つの心臓データセットを使用した比較研究により、ストキャスティック勾配降下法とMAMLに対するCMAMLの優れた性能が確認できた。
– CMAMLは、83％の見えないタイプと量のアーティファクトに対して向上したPSNRとすべての場合で向上したSSIMを示し、複合アーティファクト（複数のアーティファクトが含まれるイメージ）の4つの5件で優れたアーティファクトの抑制を示した。

要約(オリジナル)

Magnetic Resonance (MR) images suffer from various types of artifacts due to motion, spatial resolution, and under-sampling. Conventional deep learning methods deal with removing a specific type of artifact, leading to separately trained models for each artifact type that lack the shared knowledge generalizable across artifacts. Moreover, training a model for each type and amount of artifact is a tedious process that consumes more training time and storage of models. On the other hand, the shared knowledge learned by jointly training the model on multiple artifacts might be inadequate to generalize under deviations in the types and amounts of artifacts. Model-agnostic meta-learning (MAML), a nested bi-level optimization framework is a promising technique to learn common knowledge across artifacts in the outer level of optimization, and artifact-specific restoration in the inner level. We propose curriculum-MAML (CMAML), a learning process that integrates MAML with curriculum learning to impart the knowledge of variable artifact complexity to adaptively learn restoration of multiple artifacts during training. Comparative studies against Stochastic Gradient Descent and MAML, using two cardiac datasets reveal that CMAML exhibits (i) better generalization with improved PSNR for 83% of unseen types and amounts of artifacts and improved SSIM in all cases, and (ii) better artifact suppression in 4 out of 5 cases of composite artifacts (scans with multiple artifacts).

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI