[논문 리뷰] ADMM-Net: A Deep Learning Approach for Compressive Sensing MRI

Yan Yang, Jian Sun외 2명|arXiv (Cornell University)|2017. 05. 19.

Sparse and Compressive Sensing Techniques참고 문헌 41인용 수 91

한 줄 요약

ADMM-Net은 CS-MRI 재구성을 해결하기 위해 ADMM에서 영감을 얻은 깊은 아키텍처를 도입하고, 정확도와 속도 향상을 위해 모든 매개변수를 엔드-투-엔드로 학습합니다. Basic-ADMM-Net, Generic-ADMM-Net, 및 Complex-ADMM-Net 변형을 포함합니다.

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.

연구 동기 및 목표

• undersampled k-space 데이터로부터 압축 센싱 원리를 이용해 빠르고 정확한 MRI 재구성을 동기 부여합니다.
• 모델 기반 CS-MRI를 데이터 기반 학습과 연결하여 ADMM 반복을 뉴럴 네트워크 단계로 펼칩니다.
• 서로 다른 ADMM 형식과 복소-valued MR 이미지를 다루기 위해 기본형, 일반형, 복합형 변형을 개발합니다.
• 데이터로부터 직접 변환, 축소 함수, 페널티 매개변수를 학습 가능한 엔드투엔드 discriminative 학습을 가능하게 합니다.

제안 방법

• CS-MRI를 데이터 적합성 및 변환 도메인 정규화를 갖는 페널ized 역문제로 정식화합니다.
• 반복을 네트워크 단계에 매핑하여 두 개의 ADMM 해결사를 대응하는 깊은 네트워크로 펼칩니다(Basic-ADMM-Net 및 Generic-ADMM-Net).
• Complex-ADMM-Net으로 복소-valued MR 이미지를 다루기 위해 실수부/허수부를 일관되게 처리합니다.
• 각 단계를 재구성, 컨볼루션(변환), 비선형 변환(조각별 선형 축소), 그리고 승수 업데이트로 학습 가능한 계층으로 표현하고, 모두 엔드투엔드로 학습합니다.
• NMSE 손실에 대해 역전파를 통해 L-BFGS로 매개변수를 학습하며 undersampled y와 fully sampled x 쌍을 사용합니다.
• 최적화를 안내하기 위해 모델 기반 스킴 또는 무작위 초기화로 매개변수를 초기화합니다.

실험 결과

연구 질문

• RQ1 ADMM에서 영감을 받은 깊은 네트워크가 전통적인 CS-MRI 방법과 일반 CNN에 비해 더 우수한 재구성 품질을 달성할 수 있는가?
• RQ2 ADMM 반복을 학습 가능한 네트워크 단계로 unfolding하는 것이 다양한 undersampling 비율에서 재구성 속도와 정확도에 어떤 영향을 미치는가?
• RQ3 ADMM-Net을 복소-valued MR 이미지로 확장하는 것이 재구성 성능에 어떤 영향을 주는가?
• RQ4 Basic-ADMM-Net과 Generic-ADMM-Net이 CS-MRI의 네트워크 설계 및 성능에 상호 보완적 이점을 제공하는가?
• RQ5 학습된 매개변수가 샘플링 패턴 및 서로 다른 MRI 데이터셋에 걸쳐 일반화되는가?

주요 결과

• ADMM-Nets는 CS-MRI 작업에서 최첨단 재구성 정확도와 빠른 계산 속도를 달성합니다.
• ADMM 반복을 학습 가능한 단계로 펼쳐 구성된 두 가지 새로운 네트워크(Basic-ADMM-Net 및 Generic-ADMM-Net)가 있습니다.
• Complex-ADMM-Net 변형은 복소-valued MR 이미지를 다룰 수 있어 임상 관련성을 높입니다.
• 네트워크가 데이터로부터 변환, 축소 함수, 페널티/업데이트 매개변수를 엔드투엔드로 학습합니다.
• 이 접근법은 CS-MRI 및 잠재적으로 다른 역문제에 대해 모델 기반의 이점과 딥 러닝의 유연성을 결합합니다.