Rigid motion artifact detection and correction using unsupervised deep learning in magnetic resonance imaging

다국어 초록 (Multilingual Abstract)

Magnetic resonance imaging (MRI), which has been widely used in medical imaging, is able to non-invasively acquire multi-contrast images of anatomical structures or biological and electromagnetic properties in the human body. However, it suffers from rigid motion artifacts, which are a significant problem of image degradation. There have been efforts to address these problems by tracking the subject’s motion using additional devices within the MR hardware. However, these methods require additional devices and show the limitation to estimate accurate motion parameters due to the complexity of the subject’s motion.
Recently, various deep learning–based methods have been studied for their potential to help overcome the limitations of conventional studies and have shown reliable results. Since it is difficult to obtain pairs of motion-free and motion-corrupted datasets, motion-simulated data is utilized as an alternative. However, it is difficult to completely imitate realistic in-vivo motions in practice.
In this thesis, a strategy for motion detection and correction using an unsupervised deep learning method and a conjugate symmetry property was proposed. Only motion-free data were used to train the network in an unsupervised manner using the proposed modified U-Net. In addition, a new strategy for motion detection was proposed, which has been used in the anomaly detection domain. The proposed method detects the motion-corrupted phase-encoding lines using motion scoring. To reduce motion artifacts, detected k-space lines were reconstructed using the conjugate symmetry property.
This thesis proposes a new framework for motion detection and correction. The proposed method shows reliable performance in detecting and correcting motion artifacts via unsupervised learning. In addition, if the method of calculating the motion score is properly modified by considering the order and trajectory of MR data acquisition, it can be used for various MR data and is expected to be easily combined with other motion correction methods.

국문 초록 (Abstract)

자기공명영상은 비침습적으로 신체 내 연부조직을 다양한 대조영상으로
촬영할 수 있는 의료 영상 장비이다. 자기공명영상 촬영 중에 대상자의
움직임으로 인해 최종적으로 획득되어지는 영상에 인공물을 발생시켜,
영상품질 저하에 따른 정확한 진단에 방해요가 되고 있다. 이러한 움직으로
인한 인공물에 따른 영상 품질 저하 문제를 해결하고자 외부 장치를 통해
대상자의 움직임상을 추적하려는 기존 연구들이 활발하게 진행되었다. 하지만,
해당 방식들은 대부분 추가적인 외부 장치를 요할 뿐만 아니라 대상자의
복잡한 움직임을 정확히 추정하는 것은 복잡한 계산을 요하며 또한
안정적이지 못한 결과를 보이는 한계를 지니었다.
최근 움직임 인공물 보정 분야에서 딥러닝을 활용한 다양한 연구들이
진행되어왔고 위에서 언급한 기존의 단점을 보완하며 비교적 안정적인 결과를
보였다. 하지만, 대부분의 딥러닝을 활용한 연구들은 지도 학습을 기반으로
진행하여, 학습에 짝으로 움직임 인공물 데이터셋을 필요하였다. 이를 위해
시뮬레이션을 통해 짝지어진 움직임 인공물 데이터셋을 생성하여 연구에 사용하였다. 하지만 시뮬레이션을 통한 움직임 보정물이 있는 영상은 촬영 간
발생하는 복잡한 움직임으로 발생하는 움직임 보정물을 완벽하게 묘사하는 데
에는 한계를 보였다.
움직임 인공물 보정을 위한 지도 학습의 문제를 해결하기 위해 본 연구에서
는 비지도 학습 방식의 딥러닝 방법을 제안한다. 본 연구에서 제안하는 변형
된 오토인코더 형태의 네트워크를 통해 움직임 인공물이 없는 정상 데이터만
을 학습에 활용하여 비지도 방식의 학습을 진행한다. 또한, 기존에 이상치 검
출 분야에서 활용되던 이상치 점수 계산 방법론을 활용하여 영상의 푸리에 영
역에서 움직임으로 인해 손상된 부분만을 정확히 검출함으로써 새로운 움직임
인공물 검출을 제안한다. 최종적으로 검출된 부분만을 자기공명영상의 획득
데이터의 켤레 대칭 특성을 활용하여 재구성하여 움직임으로 인한 인공물을
보정하였다.
위 연구는 움직임 인공물 검출 및 보정에 대한 새로운 방법론을 제시하였다.
특히 짝지어진 데이터셋을 필요로 하지 않는 비지도 학습이며, 새롭게 제시한
움직임 점수 계산 방법론은 다른 움직임 인공물 보정 연구에도 광범위하게
활용될 것이라 기대한다.

목차 (Table of Contents)

• ABSTRACT
• CHAPTER 1
• INTRODUCTION
• CHAPTER 2 BACKGROUND
• 2.1 MRI BASICS
• 2.1.1 A Brief Overview of the MRI physics
• 2.1.2 K-space
• 2.2 MOTION ARTIFACT
• CHAPTER 3 RIGID MOTION ARTIFACT DETECTION AND CORRECTION USING UNSUPERVISED DEEP LEARNING IN MAGNETIC RESONANCE IMAGING
• 3.1 MOTIVATION
• 3.2 METHODS
• 3.2.1 Data Preparation
• 3.2.2 Network Architecture
• 3.2.3 The Motion Detection Strategy
• 3.2.4 Motion Correction
• 3.2.5 Evaluation
• 3.3 RESULTS
• 3.3.1 Effect of the Modified U-Net
• 3.3.2 Detection of Motion-Corrupted K-space Lines
• 3.3.3 Comparison of the motion detection performance with or without skull-stripping
• 3.3.4 Motion Correction
• 3.4 DISCUSSION
• CHAPTER 4 CONCLUSION
• REFERENCES
• 국문요약