計算機科学：ドメイン変換多様体学習による画像再構成
Nature 555, 7697 doi: 10.1038/nature25988
画像再構成は、光学システムやレーダーシステム、磁気共鳴画像化法、Ｘ線コンピュータートモグラフィー法、陽電子放出断層撮影法、超音波画像化法、電波天文学など、物理や生命科学にまたがるさまざまな画像化用途に不可欠である。センサーは、画像取得時にセンサー領域の対象を中間表現に符号化し、その後、符号化関数の逆解析によってこの中間表現が画像に再構成される。特にセンサーが理想的でなく雑音が存在する場合、正確な逆変換の解析的知識がa prioriに存在しない可能性があるため、画像再構成は困難である。従って、標準的な再構成方法には、一連の信号処理において複数のad hocなステージによる逆関数の近似が含まれ、その構成はそれぞれの取得方法の詳細に依存していて、再構成を最適化するには熟練したパラメーター調整が必要となることが多い。本論文では、画像再構成のための統一的な枠組み、すなわち多様体近似による自動変換（AUTOMAP）を提示する。AUTOMAPは、画像再構成をデータ駆動型の教師あり学習タスクとして作り直したもので、これによって適切な訓練データのコーパスからセンサー領域と画像領域の間のマッピングが可能になる。我々は、ディープニューラルネットワークにAUTOMAPを実装し、同じネットワークアーキテクチャーとハイパーパラメーターを用いて、さまざまな磁気共鳴画像化法のための再構成変換の学習においてAUTOMAPの柔軟性を示した。さらに、訓練中の多様体学習が低次元のデータ多様体に従う領域のまばらな表現変換につながることを実証し、従来の手作業の再構成方法に比べて優れた雑音耐性と再構成アーチファクトの減少を観測した。我々は、既存の取得手法の再構成能力の向上に加えて、AUTOMAPなどの学習による再構成方法によって、さまざまな画像化様式にわたって新たな取得方法の開発が促進されると予想する。
