タスク適応型圧縮センシングMRIのための情報理論的最適化

要旨: タスクに適応した圧縮センシング磁気共鳴画像化（CS-MRI）は、Nyquistサンプリングに必要なk空間測定数よりも大幅に少ない測定数で、下流の臨床タスクに特有の要求に対応するための手法として注目されている。 しかし、既存のタスクに適応したCS-MRI手法は、医療診断における不確実性（uncertainty）問題に対する不確実性の扱いが不十分であり、再構成や臨床タスクとのエンドツーエンド最適化において適応的サンプリングを達成できない。これらの制約に対処するために、情報理論的な観点から初めてのタスクに適応したCS-MRIを提案し、不確実性予測のための確率的推論と、任意のサンプリング比への適応、ならびに多様な臨床応用を同時に実現する。具体的には、未サンプリングのk空間測定と臨床タスクの間の相互情報量を最大化することで、不確実性問題に対処するための確率的推論を可能にする、タスクに適応したCS-MRIの最適化問題を形式化する。さらに、償却（amortized）最適化を活用し、相互情報量のための計算可能な変分下界を構築することで、サンプリング、再構成、タスク推論モデルを共同で最適化できるようにし、1つのエンドツーエンドで学習したモデルのみを用いて柔軟なサンプリング比の制御を可能にする。加えて、提案する枠組みは統一されたアプローチのもとで、2種類の異なる臨床シナリオに対応する。すなわち、i) タスクと再構成の統合であり、ここでは再構成がタスク性能を向上させる補助プロセスとして機能する；および ii) 再構成を抑制したタスク実装で、プライバシー保護に適用できる。大規模MRIデータセットに対する広範な実験により、提案枠組みは、決定論的な対応手法と比較してDiceのような標準的指標において非常に競争力のある性能を達成するだけでなく、一般化エネルギー距離（GED）によって測定されるグラウンドトゥルースの事後分布に対してより良い分布整合性を提供することが示される。