[論文レビュー] vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems

George Yiasemis, Nikita Moriakov+2 more|arXiv (Cornell University)|Sep 18, 2023

Sparse and Compressive Sensing TechniquesEngineering被引用数 3

ひとこと要約

vSHARP は、医学的画像における不適切な逆問題を解くために、半二乗変数分割を用いた ADMM 最適化プロセスをアンロールする深層学習ベースのアルゴリズムである。特に、加速された並列 MRI 再構成に特化している。画像ドメインにおける微分可能勾配降下と U-Net デノイザー、および拡張畳み込みモデルを組み合わせ、ADMM ラグランジュ乗数を予測することで、Calgary-Campinas および fastMRI 前立腺データセットの両方で SSIM、PSNR、NMSE の観点で最先端の性能を達成している。

ABSTRACT

Medical Imaging (MI) tasks, such as accelerated parallel Magnetic Resonance Imaging (MRI), often involve reconstructing an image from noisy or incomplete measurements. This amounts to solving ill-posed inverse problems, where a satisfactory closed-form analytical solution is not available. Traditional methods such as Compressed Sensing (CS) in MRI reconstruction can be time-consuming or prone to obtaining low-fidelity images. Recently, a plethora of Deep Learning (DL) approaches have demonstrated superior performance in inverse-problem solving, surpassing conventional methods. In this study, we propose vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems), a novel DL-based method for solving ill-posed inverse problems arising in MI. vSHARP utilizes the Half-Quadratic Variable Splitting method and employs the Alternating Direction Method of Multipliers (ADMM) to unroll the optimization process. For data consistency, vSHARP unrolls a differentiable gradient descent process in the image domain, while a DL-based denoiser, such as a U-Net architecture, is applied to enhance image quality. vSHARP also employs a dilated-convolution DL-based model to predict the Lagrange multipliers for the ADMM initialization. We evaluate vSHARP on tasks of accelerated parallel MRI Reconstruction using two distinct datasets and on accelerated parallel dynamic MRI Reconstruction using another dataset. Our comparative analysis with state-of-the-art methods demonstrates the superior performance of vSHARP in these applications.

研究の動機と目的

• 医学的画像における不適切な逆問題を解く挑戦に応えること、特に従来の手法が遅いか、再構成精度が低いとされる加速された並列 MRI の文脈において。
• 数学的厳密性とデータ駆動型デノイジングを統合した、微分可能で最適化に基づく深層学習フレームワークを構築すること。
• 最適化ブロックの削減を許容しても性能に顕著な損失が生じない柔軟な推論を可能にすることで、速度と精度のバランスを取ること。
• 臨床的 MRI プrotocols で一般的な等間隔のアンダーサンプリングパターンにおけるアリゼーションアーチファクトへの耐性を高めること。
• 前方作用素と随伴作用素が既知の他の医学的画像分野の逆問題にも適用可能な汎用性のあるフレームワークを提供すること。

提案手法

• vSHARP は、逆問題を部分問題に分解できるように、半二乗変数分割（HQVS）法を用いる。
• 画像ドメインにおける微分可能勾配降下ステップを統合することで、ADMM アルゴリズムをアンロールする。
• 最適化プロセス中に画像品質を向上させるために、U-Net をベースとした深層ニューラルネットワークを学習済みデノイザーとして用いる。
• 別個の拡張畳み込みニューラルネットワークが、ADMM の初期ラグランジュ乗数を予測し、収束性と再構成忠実度を向上させる。
• 全最適化ループにバックプロパゲーションが可能となるように、微分可能な定式化を用いてエンドツーエンドで学習する。
• 推論時に最適化ブロックのサブセットを選択することで、計算コストを削減しながらも高品質な再構成結果を維持できる、推論時適合性をサポートする。

実験結果

リサーチクエスチョン

• RQ1 学習済み部品を統合した微分可能でアンロールされた ADMM フレームワークは、既存の最先端手法よりも加速された並列 MRI 再構成において優れた性能を示せるか？
• RQ2 ADMM 乗数の学習済み初期化子と学習済みデノイザーの統合は、再構成品質と収束性にどのように影響を与えるか？
• RQ3 推論時に最適化ブロック数を削減した場合、vSHARP はどの程度高い性能を維持できるか？
• RQ4 vSHARP は、カルテシアンサンプリングと等間隔サンプリングの両方のアンダーサンプリングパターンを持つデータセットで、どの程度の性能を示すか？
• RQ5 前方作用素と随伴作用素が既知の他の医学的画像分野の逆問題に対しても、提案手法は一般化可能か？

主な発見

• Calgary-Campinas 脳データセットでは、vSHARP は平均 SSIM 0.8896 ± 0.0270 および PSNR 34.36 ± 1.55 dB を達成し、すべてのベースラインを上回った。
• fastMRI 前立腺データセットでは、vSHARP は平均 SSIM 0.8136 ± 0.0425 および PSNR 31.33 ± 1.67 dB を達成し、臨床的データに類似した条件でも高い耐性を示した。
• Calgary-Campinas データセットでは NMSE を 0.0089 ± 0.0023 まで低下させ、fastMRI 前立腺データセットでは 0.0171 ± 0.0045 まで低下させ、高い再構成精度を示した。
• vSHARP の推論時縮小構成（12 個の最適化ブロックのうち 6 個のみ使用）では、1 バリュームあたりの推論時間が 21 秒にまで短縮され、フル vSHARP（37 秒）と比較して顕著に高速化されたが、高品質な結果を維持した。
• fastMRI 前立腺データセットでは、vSHARP が RecurrentVarNet を上回った。後者は等間隔アンダーサンプリング下で受容 field が限られ、アリゼーションアーチファクトに苦しんでいた。
• アブレーションスタディにより、推論時に特定の最適化ブロック（例：1, 2, 6, 10, 11, 12）を選択することで、速度と再構成品質の良好なトレードオフが達成可能であることが確認された。