[論文レビュー] ADMM-Net: A Deep Learning Approach for Compressive Sensing MRI

Yan Yang, Jian Sun+2 more|arXiv (Cornell University)|May 19, 2017

Sparse and Compressive Sensing Techniques参考文献 41被引用数 91

ひとこと要約

ADMM-Netは、CS-MRI再構成を解くためにADMMに触発された深層アーキテクチャを導入し、精度と速度を向上させるためにすべてのパラメータをエンドツーエンドで学習します。 Basic-ADMM-Net、Generic-ADMM-Net、およびComplex-ADMM-Netのバリアントを含みます。

ABSTRACT

Compressive sensing (CS) is an effective approach for fast Magnetic Resonance Imaging (MRI). It aims at reconstructing MR images from a small number of under-sampled data in k-space, and accelerating the data acquisition in MRI. To improve the current MRI system in reconstruction accuracy and speed, in this paper, we propose two novel deep architectures, dubbed ADMM-Nets in basic and generalized versions. ADMM-Nets are defined over data flow graphs, which are derived from the iterative procedures in Alternating Direction Method of Multipliers (ADMM) algorithm for optimizing a general CS-based MRI model. They take the sampled k-space data as inputs and output reconstructed MR images. Moreover, we extend our network to cope with complex-valued MR images. In the training phase, all parameters of the nets, e.g., transforms, shrinkage functions, etc., are discriminatively trained end-to-end. In the testing phase, they have computational overhead similar to ADMM algorithm but use optimized parameters learned from the data for CS-based reconstruction task. We investigate different configurations in network structures and conduct extensive experiments on MR image reconstruction under different sampling rates. Due to the combination of the advantages in model-based approach and deep learning approach, the ADMM-Nets achieve state-of-the-art reconstruction accuracies with fast computational speed.

研究の動機と目的

• 圧縮感知の原理を用いて、アンダサンプリングされたk-空間データから高速で正確なMRI再構成を促進する。
• ADMMの反復をニューラルネットワークのステージに展開して、モデルベースのCS-MRIとデータ駆動型学習を橋渡しする。
• さまざまなADMM定式化と複素値MR画像を扱うために、Basic、Generic、Complexのバリアントを開発する。
• データから直接変換、収縮関数、ペナルティパラメータを学習するためのエンドツーエンドの識別的訓練を可能にする。

提案手法

• CS-MRIをデータ忠実性と変換ドメイン正規化を含むペナルイズド逆問題として定式化する。
• 反復をネットワークのステージにマッピングして、2つのADMMソルバーを対応する深層ネットワークに展開する（Basic-ADMM-NetとGeneric-ADMM-Net）。
• Complex-ADMM-Netに拡張し、実部/虚部を一貫して処理することで複素値MR画像を扱えるようにする。
• 各ステージを学習可能なレイヤーで表現する：再構成、畳み込み（変換）、非線形変換（区分的線形収縮）、および乗算子の更新、すべてエンドツーエンドで訓練される。
• 欠測されたyと完全にサンプリングされたxの対を用いて、NMSE損失に対するバックプロパゲーションを用いてL-BFGSでパラメータを訓練する。
• 最適化を導くために、モデルベースまたはランダムなスキームでパラメータを初期化する。

実験結果

リサーチクエスチョン

• RQ1 ADMMに着想を得た深層ネットワークは、従来のCS-MRI手法や汎用CNNと比べてCS-MRIの再構成品質を向上させることができるか？
• RQ2 ADMMの反復を学習可能なネットワークステージに展開することは、さまざまなアンダサンプリング率に対して再構成の速度と精度にどのような影響を与えるか？
• RQ3 Complex-valued MR画像へADMM-Netを拡張することが、再構成性能にどのような影響を与えるか？
• RQ4 Basic-ADMM-NetとGeneric-ADMM-Netは、CS-MRIにおけるネットワーク設計と性能に補完的な利点を提供するか？
• RQ5 学習済みパラメータは、サンプリングパターンや異なるMRIデータセット間で一般化できるか？

主な発見

• ADMM-NetsはCS-MRIタスクで最先端の再構成精度と高速な計算性能を達成する。
• 2つの新規ネットワーク（Basic-ADMM-NetとGeneric-ADMM-Net）は、ADMMの反復を訓練可能なステージに展開することで構築される。
• 複素値MR画像を扱うためのComplex-ADMM-Netバリアントは、臨床的意義を改善する。
• ネットワークは、データからエンドツーエンドで変換、収縮関数、ペナルティ/更新パラメータを学習する。
• このアプローチは、CS-MRIおよび潜在的には他の逆問題のために、モデルベースの利点とディープラーニングの柔軟性を組み合わせる。