[論文レビュー] Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models

Sriram Ravula, Brett Levac+4 more|arXiv (Cornell University)|Jun 5, 2023

Advanced Neuroimaging Techniques and Applications被引用数 5

ひとこと要約

本稿では、事前学習済みの拡散生成モデルを事前分布として用い、微調整なしに勾配ベースの最適化が可能な閉形式の事後平均推定を活用することで、圧縮センシングMRIにおけるk-spaceサンプリングパターンの最適化を新たに提案する。この手法は、たった5枚の訓練画像でさえも、ベースラインパターンと同等またはそれ以上の再構成品質を達成する。

ABSTRACT

Magnetic resonance imaging (MRI) is a powerful medical imaging modality, but long acquisition times limit throughput, patient comfort, and clinical accessibility. Diffusion-based generative models serve as strong image priors for reducing scan-time with accelerated MRI reconstruction and offer robustness across variations in the acquisition model. However, most existing diffusion-based approaches do not exploit the unique ability in MRI to jointly design both the sampling pattern and the reconstruction method. While prior learning-based approaches have optimized sampling patterns for end-to-end unrolled networks, analogous methods for diffusion-based reconstruction have not been established due to the computational burden of posterior sampling. In this work, we propose a method to optimize k-space sampling patterns for accelerated multi-coil MRI reconstruction using diffusion models as priors. We introduce a training objective based on a single-step posterior mean estimate that avoids backpropagation through an expensive iterative reconstruction process. Then we present a greedy strategy for learning Cartesian sampling patterns that selects informative k-space locations using gradient information from a pre-trained diffusion model while enforcing spatial diversity among samples. Experimental results across multiple anatomies and acceleration factors demonstrate that diffusion models using the optimized sampling patterns achieve higher-quality reconstructions in comparison to using fixed and learned baseline patterns.

研究の動機と目的

• 圧縮センシングMRIにおける最適なk-spaceサンプリングパターンを学習する手法を開発すること。この手法では、事前学習済みの拡散モデルを事前分布として活用する。
• アルゴリズムアンローリングに適さない非教師あり再構成においても、勾配ベースのサンプリングパターン最適化を可能にすること。
• 再構成ネットワークのアーキテクチャに依存しないようにすることを目的とし、サンプリングパターンの学習を推論時のサンプリング方式から分離すること。
• 例えたった5枚の訓練画像であっても、効果的なパターン学習が可能であることを示すこと。
• 推論時に使用する事後分布サンプリングアルゴリズムに依存しないモularityを確保すること。

提案手法

• Tweedieの公式を用いて、事後平均推定を閉形式で計算することで、再構成プロセス全体を通じた効率的な勾配計算を可能にする。
• 事後平均に基づく訓練目的を定式化し、スコアネットワークを介したバックプロパゲーションにより、サンプリングパターンを最適化する。
• 本手法では、サンプリングパターンを微分可能な演算子として扱い、勾配降下法によるエンドツーエンド最適化を実現する。
• 微調整なしに事前学習済みの拡散モデルに依存するため、解剖学的構造や加速要因の変化に対しても一般化性能を維持する。
• 推論時のサンプリングアルゴリズムからサンプリングパターンを分離することで、テスト時に任意の事後分布サンプリング手法と組み合わせて使用可能となる。
• 訓練プロセスでは、事後平均に基づく単一ステップ再構成を用いることで、計算コストと複雑さを低減する。

(a)

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドのトレーニングや微調整を必要とせずに、拡散生成モデルを用いて圧縮センシングMRIのサンプリングパターンを最適化できるか？
• RQ2 閉形式の事後平均推定は、非教師ありMRI再構成において、効果的かつ効率的なサンプリングパターン最適化を可能にするか？
• RQ3 本手法を用いて、わずか5枚の訓練画像で効果的なサンプリングパターンを学習できるか？
• RQ4 等間隔分布やポissonディスクマスクといった標準的なサンプリングパターンと比較して、再構成品質にどのような差が生じるか？
• RQ5 訓練時のステップ数やノイズレベルなどのパラメータの変動に対して、本手法は頑健か？

主な発見

• さまざまな解剖学的構造と加速要因において、ベースラインの等間隔分布やポissonディスクマスクと比較して、同等または優れた再構成品質を達成する。
• わずか5枚の訓練画像でも、2次元画像再構成において固定の等間隔マスクを上回る性能を示すサンプリングパターンを学習可能である。
• 推論時のサンプリングステップ数やノイズレベルの変化に対しても性能が安定しており、頑健性が確認された。
• 低ノイズレベルではk-spaceの高周波成分を捉えるパターンを学習し、高ノイズレベルでは中心部k-spaceに注目するパターンを学習しており、適切な信号対ノイズ比の適応を示している。
• 訓練ノイズレベルに「デッドゾーン」が観察された（例：σ=5）。この範囲では性能が低下し、ハイパーパrameter選択への感受性が示された。
• サンプリングパターンと推論時のサンプリングアルゴリズムを分離することで、モularityを維持しており、任意の事後分布サンプリング方式と組み合わせて使用可能である。

(b)