[論文レビュー] Physics-Informed DeepMRI: Bridging the Gap from Heat Diffusion to k-Space Interpolation

Zhuo‐Xu Cui, Congcong Liu+12 more|arXiv (Cornell University)|Aug 30, 2023

Advanced MRI Techniques and ApplicationsMedicine被引用数 3

ひとこと要約

本稿では、物理に基づくスコアベース生成モデルを用いて、物理的根拠に基づく逆熱拡散過程としてMRI再構成をモデル化する、新しいk-space補間手法であるPhysics-Informed DeepMRIを提案する。この手法は、不適切な逆問題を解くために、高加速率下でも、従来の手法や深層学習ベースのk-space手法を上回る、最先端の再構成精度を達成し、特に高周波数領域で優れた性能を示す。

ABSTRACT

In the field of parallel imaging (PI), alongside image-domain regularization methods, substantial research has been dedicated to exploring $k$-space interpolation. However, the interpretability of these methods remains an unresolved issue. Furthermore, these approaches currently face acceleration limitations that are comparable to those experienced by image-domain methods. In order to enhance interpretability and overcome the acceleration limitations, this paper introduces an interpretable framework that unifies both $k$-space interpolation techniques and image-domain methods, grounded in the physical principles of heat diffusion equations. Building upon this foundational framework, a novel $k$-space interpolation method is proposed. Specifically, we model the process of high-frequency information attenuation in $k$-space as a heat diffusion equation, while the effort to reconstruct high-frequency information from low-frequency regions can be conceptualized as a reverse heat equation. However, solving the reverse heat equation poses a challenging inverse problem. To tackle this challenge, we modify the heat equation to align with the principles of magnetic resonance PI physics and employ the score-based generative method to precisely execute the modified reverse heat diffusion. Finally, experimental validation conducted on publicly available datasets demonstrates the superiority of the proposed approach over traditional $k$-space interpolation methods, deep learning-based $k$-space interpolation methods, and conventional diffusion models in terms of reconstruction accuracy, particularly in high-frequency regions.

研究の動機と目的

• 既存のk-spaceおよび画像ドメイン並列撮影（PI）手法の加速性能の限界と解釈不能性を解決すること。
• 熱拡散方程式に基づく共通の物理的枠組みの下で、k-space補間と画像ドメイン正則化を統合すること。
• 物理的制約を組み込んだ深層学習を用いて、MRI再構成における逆熱方程式の逆問題を克服すること。
• 高 undersampling 要因下でも、特にk-spaceの高周波数領域における再構成精度を向上させること。
• 物理的原則と深層生成モデリングを統合した、頑健で解釈可能かつ汎用性の高い加速MRIフレームワークを構築すること。

提案手法

• 高周波数k-spaceの減衰を前向きの熱拡散過程としてモデル化し、高周波数再構成を逆熱拡散過程として扱う。
• MRIの物理的特性、特にコイル感度とk-space構造を反映させるために、逆熱方程式を再定式化し、安定性と物理的妥当性を向上させる。
• 修正された逆熱拡散を解くためにスコアベースの生成モデルを採用し、欠落した高周波数データの正確で微分可能な再構成を可能にする。
• ESPIRiTまたは低ランク近似（SLR）によるコイル感度推定と、物理的制約を組み込んだ拡散モデルを統合することで、感度誤差に対する耐性を高める。
• 逆過程の存在を保証するために、ノイズスケーリング付き確率微分方程式（SDE）の定式化を採用し、ノイズスケール $\sigma_N$ は経験的に調整する。
• 公開データセット上でエンドツーエンドにモデルを学習し、さまざまな加速率下でNMSE、PSNR、SSIMを最適化する。

実験結果

リサーチクエスチョン

• RQ1 逆熱拡散方程式は、並列MRIにおけるk-space補間と画像ドメイン正則化の統合的物理的枠組みとして機能できるか？
• RQ2 物理的制約を組み込んだ修正と深層生成モデリングを用いることで、MRIにおける逆熱拡散の不適切な性質をどのように緩和できるか？
• RQ3 物理的制約を備えたスコアベースの拡散モデルは、従来のk-space補間法や深層学習ベースの手法を上回る、高精度で高加速率のMRI再構成を達成できるか？
• RQ4 本手法は、並列撮影における主な誤差要因であるコイル感度推定の変動に対して、どの程度頑健か？
• RQ5 再構成忠実度とアーチファクト抑制のバランスをとるために、SDE定式化における最適なノイズスケール $\sigma_N$ は何か？

主な発見

• 提案手法AK-Diffusionは、加速因子 $R=6$ でPSNR 34.90 ± 2.04 dB、SSIM 0.90 ± 0.04 を達成し、$\sigma_N = 0.5$ および $\sigma_N = 1.0$ のAK-Diffusionベースラインを上回る。
• $R=6$ 時にNMSE 0.0045 ± 0.0024 を達成し、特に高周波数領域で優れた再構成精度を示す。
• コイル感度推定の変動に対しても頑健であり、ESPIRiT、SOS、SLRに基づく感度推定のすべてにおいて、高品質な視覚的再構成を維持する。
• ノイズスケール $\sigma_N$ を増加させることで高周波数ディテールの回復が向上するが、偽のディテールの生成リスクも増加するため、$\sigma_N = 1.0$ がバランスの取れた経験的選択であると示唆される。
• 定量的指標および視覚的忠実度の両面で、従来のk-space補間法、深層学習ベースのk-space手法、および標準的な拡散モデルを著しく上回る。
• ブラックボックス型の深層学習とは異なり、物理的に解釈可能な代替手法を提供し、画像ドメインとk-space PIを1つの熱拡散に基づくモデルで統合する。