InhomoNetを用いたMRI画像の強度不均一性の補正

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Comput Med Imaging Graph.2020 Jun;84:101748. S0895-6111(20)30051-3. doi: 10.1016/j.compmedimag.2020.101748.Epub 2020-06-07.

InhomoNetを用いたMRI画像の強度不均一性の補正

Intensity inhomogeneity correction of MRI images using InhomoNet.

Vishal Venkatesh
Neeraj Sharma
Munendra Singh

PMID: 32679471 DOI: 10.1016/j.compmedimag.2020.101748.

抄録

強度の不均一性は、磁気共鳴イメージング(MRI)における主要なアーチファクトの一つである。MRI画像に存在するバイアス場は、真のピクセル値を変化させ、ピクセルの強度を変化させてしまう。このアーチファクトは、放射線技師の診断に有害な影響を与え、また、セグメンテーションのようなコンピュータ支援診断アルゴリズムの性能を低下させる。本研究では、MRI画像の強度不均一性補正のためのInhomoNetと呼ばれる新しいネットワークを提案する。InhomoNetの生成器アーキテクチャは、新しいマルチスケール局所情報モジュールを各エンコーダブロックに配置し、マルチスケールでの特徴の捕捉を支援する。水平および垂直カーネルは、近傍情報の損失、大規模な拡張畳み込み操作に起因するグリッディングの問題などの問題を軽減するのに役立つ。生成器ネットワーク内の注意駆動型スキップ接続は、エンコーダからデコーダブロックへの最適な意味的・空間的な定位情報の伝達に利用される。さらに、本研究では、ヒストグラム相関と３次元画素損失という２つの新しい損失関数を提案する。これらの損失は、脳MRIの異なる領域間でのピクセルの一貫性を実現するのに役立つ。L1損失の導入は、各デコーダブロックからの予測値を基底真理値と比較することで、アップサンプリング処理に指針を与える。提案手法は、模擬MRIデータと実MRIデータを用いて評価した。その結果、本手法が強度不均一性補正を正確に行うことができることを示した。

Intensity inhomogeneity is one of the major artifacts in magnetic resonance imaging (MRI). Bias field present in MRI images alters true pixel value and produces spurious varying pixel intensities. This artifact affects the diagnosis by radiologists in a detrimental manner and also degrades the performance of computer-aided diagnosis algorithms such as segmentation. The present work proposes a novel network called InhomoNet for intensity inhomogeneity correction of MRI image. The generator architecture of InhomoNet consists of a new multi-scale local information module at each encoder block that helps to capture features at multiple scales. The horizontal and vertical kernels help to reduce the problems like loss of neighborhood information, gridding issues caused due to large dilated convolution operations. The attention-driven skip connections in the generator network are utilized to transfer optimal semantic and spatial localization information from the encoder to decoder blocks. Further, the present work proposes two new losses functions, i.e. histogram correlation and 3D pixel loss. These losses help to realize pixel consistency across different regions of brain MRI. The inculcation of the L1 loss provides guidance to the upsampling process as it compares the prediction from each decoder block with the ground truth. The proposed method is evaluated on simulated and real MRI data. The comparative analysis with popular state-of-the-art methods depicts the ability of the proposed method to perform intensity inhomogeneity correction accurately.