[論文レビュー] Robust Compressed Sensing MRI with Deep Generative Priors

Ajil Jalal, Marius Arvinte+4 more|arXiv (Cornell University)|Aug 3, 2021

Sparse and Compressive Sensing Techniques参考文献 79被引用数 46

ひとこと要約

本論文は、CSGM フレームワーク内でスコアベースの生成事前分布を multi-coil MRI に適用し、Langevin 後方采样を用いたロバストで分布シフト耐性のある再構成と不確実性量化を実現します。

ABSTRACT

The CSGM framework (Bora-Jalal-Price-Dimakis'17) has shown that deep generative priors can be powerful tools for solving inverse problems. However, to date this framework has been empirically successful only on certain datasets (for example, human faces and MNIST digits), and it is known to perform poorly on out-of-distribution samples. In this paper, we present the first successful application of the CSGM framework on clinical MRI data. We train a generative prior on brain scans from the fastMRI dataset, and show that posterior sampling via Langevin dynamics achieves high quality reconstructions. Furthermore, our experiments and theory show that posterior sampling is robust to changes in the ground-truth distribution and measurement process. Our code and models are available at: \url{https://github.com/utcsilab/csgm-mri-langevin}.

研究の動機と目的

• 固定測定スキームを仮定せずに、複素値 MR 画像に対するスコアベース生成器を用いた CSGM の成功裡の適用を示す。
• Langevin ダイナミクスによる後方サンプリングが、さまざまなサンプリングパターンと解剖学において高品質な MRI 再構成をもたらすことを示す。
• 分布シフトに対する手法のロバスト性と、複数の後方サンプルを通じた不確実性量化の能力を評価する。

提案手法

• 脳 MRI スライス上でスコアベース生成モデル（NCSNv2）を訓練し、複雑な値を持つ MR 画像統計を捉える。
• 一般的な前方モデル A と測定値 y の下で、後方 mu(x|y) から再構成を引くための Langevin ダイナミクスを用いた後方サンプリングを行う。
• スコア推定と測定ノイズを考慮したデータ適合項を含む annealed Langevin スキームを組み込む。
• トレーニング時に特定のサンプリング方式を仮定せず、コイル感度と k-space サンプリングを用いたマルチコイル MRI の前方モデルを用いて A を定義する。

実験結果

リサーチクエスチョン

• RQ1 脳 MRI で訓練されたスコアベース生成事前分布は、さまざまなサンプリングパターン下で他の解剖学（例：膝、腹部）を再構成できるか。
• RQ2 学習済み事前分布を用いた後方サンプリングは、解剖学と測定プロセスの分布シフトに対して、エンドツーエンドの監視付き手法と比較して頑健か。
• RQ3 後方サンプリングは再構成された MR 画像に対する信頼できる不確実性量化を提供するか。
• RQ4 現実的な加速 MRI 条件下で、従来のスパース性ベースおよびエンドツーエンド手法と比較して提案手法の性能はどうなるか。

主な発見

• スコアベースの生成器を用いた後方サンプリングは、分布内の再構成で競争力を示し、分布外のサンプリングパターンと解剖学にも頑健性を示す。
• このアプローチは後方からの複数の再構成を可能にし、画素ごとの不確実性推定を可能とする。
• 手法はテスト時の分布シフトに対して頑健であり、サンプリングパターンと解剖学の変化を、いくつかのエンドツーエンドベースラインよりも良好に扱えるケースがある。
• 見慣れない解剖学（例：腹部、膝）やコイル構成の変化に直面しても、定性的な改善とアーティファクトの減少を示す。