[논문 리뷰] DEQ-MPI: A Deep Equilibrium Reconstruction with Learned Consistency for Magnetic Particle Imaging

Alper Güngör, Baris Askin외 4명|arXiv (Cornell University)|2022. 12. 26.

Characterization and Applications of Magnetic Nanoparticles참고 문헌 63인용 수 4

한 줄 요약

DEQ-MPI는 ADMM 기반 최적화 프레임워크에 학습된 일致성 측정 및 암시적 신경망을 통합한 물리 기반 딥 균형 모델을 제안한다. 수렴 가능한 암시적 해를 통해 데이터 일치성과 정규화를 강제함으로써, 전통적 및 학습 기반 MPI 재구성 방법을 모두 능가하는 뛰어난 영상 품질과 경쟁 가능한 추론 속도를 달성한다.

ABSTRACT

Magnetic particle imaging (MPI) offers unparalleled contrast and resolution for tracing magnetic nanoparticles. A common imaging procedure calibrates a system matrix (SM) that is used to reconstruct data from subsequent scans. The ill-posed reconstruction problem can be solved by simultaneously enforcing data consistency based on the SM and regularizing the solution based on an image prior. Traditional hand-crafted priors cannot capture the complex attributes of MPI images, whereas recent MPI methods based on learned priors can suffer from extensive inference times or limited generalization performance. Here, we introduce a novel physics-driven method for MPI reconstruction based on a deep equilibrium model with learned data consistency (DEQ-MPI). DEQ-MPI reconstructs images by augmenting neural networks into an iterative optimization, as inspired by unrolling methods in deep learning. Yet, conventional unrolling methods are computationally restricted to few iterations resulting in non-convergent solutions, and they use hand-crafted consistency measures that can yield suboptimal capture of the data distribution. DEQ-MPI instead trains an implicit mapping to maximize the quality of a convergent solution, and it incorporates a learned consistency measure to better account for the data distribution. Demonstrations on simulated and experimental data indicate that DEQ-MPI achieves superior image quality and competitive inference time to state-of-the-art MPI reconstruction methods.

연구 동기 및 목표

• 복잡한 영상 특징을 포착하지 못하고 정규화 가중치 수동 조정이 필요한 수작업 전제 조건의 한계를 해결하기 위해, MPI 재구성에서 수작업 전제 조건의 문제점을 해결한다.
• 기존의 편향된 최적화 및 비효율적인 계산 비용을 가지는 비선형 깊이 학습 방법의 한계를 극복하기 위해, 딥 균형 모델링을 통해 수렴 가능한 암시적 해를 제공함으로써 계산 효율성을 향상시킨다.
• 수작업으로 설계된 일치성 측정을 학습된 일치성 블록으로 대체하여, 진짜 데이터 분포에 더 잘 부합하는 데이터 일치성 모델링을 향상시킨다.
• 물리 기반 최적화 프레임워크(ADMM)와 신경망 전제 조건, 학습된 일치성의 통합을 통해 일반화 능력과 재구성 정밀도를 향상시키면서도 경쟁 가능한 추론 시간을 유지한다.
• 모의 및 실험적 MPI 데이터를 대상으로 DEQ-MPI의 효과성을 입증하여, 신호 대 잡음비와 해상도 조건이 다양한 상황에서도 견고한 성능을 보여준다.

제안 방법

• DEQ-MPI는 반복 최적화 과정의 고정점 해를 암시적으로 정의하는 딥 균형 모델(DEQ)을 활용하여, 층의 명시적 펼침이 필요 없도록 한다.
• 이 방법은 학습된 일치성(LC) 블록을 ADMM 기반 최적화 프레임워크에 통합하여, 기존의 수작업으로 설계된 데이터 일치성 항목을 진짜 데이터 분포를 모델링하는 신경망으로 대체한다.
• ADMM에서 두 구성 요소로 나누어진 보조 변수 분할은 데이터 일치성과 정규화에 대한 프록시 매핑을 분리하여, 비볼록 또는 비연속 문제에서 더 안정적이고 정확한 수렴을 가능하게 한다.
• 정규화 및 학습된 일치성 블록은 암시적 미분을 통해 훈련되며, 명시적 펼침 없이 고정점 해를 통한 역전파가 가능하다.
• 표준 DEQ 방법에서 사용하는 전통적인 잔여 연결 방식과는 달리, 합성곱 층 간에 밀집 연결 잔여 연결을 사용하여 특징 학습과 모델 성능을 향상시킨다.
• 정규화 및 학습된 일치성 블록 양쪽에 전용 초기화 전략을 적용하여 수렴성과 최종 재구성 품질을 향상시킨다.

실험 결과

연구 질문

• RQ1 학습된 일치성과 함께 딥 균형 모델을 사용할 경우, 기존의 전통적 및 학습 기반 방법 대비 MPI 재구성 품질이 향상되는가?
• RQ2 ADMM 프레임워크에 학습된 일치성 블록을 통합할 경우, 수작업으로 설계된 일치성 측정보다 데이터 무결성과 일반화 능력이 향상되는가?
• RQ3 암시적 미분과 딥 균형 모델링을 통해 명시적 펼침이 없는 고성능 재구성과 경쟁 가능한 추론 시간을 달성할 수 있는가? 이는 펼침 네트워크의 계산 부담을 피할 수 있는가?
• RQ4 ADMM에서 제안된 두 구성 요소로 나누어진 변수 분할은 비볼록 MPI 재구성 문제에서 수렴성과 안정성을 어떻게 향상시키는가?
• RQ5 DEQ-MPI의 성능은 저신호 영역과 확대된 시스템 매트릭스 조건을 포함한 다양한 영상 조건에서 얼마나 잘 일반화되는가?

주요 결과

• DEQ-MPI는 모의 및 실험적 데이터에서 최신 기술 대비 뛰어난 영상 품질을 달성하였으며, 대trast가 향상되고 잡음이 감소한 결과를 보였다.
• 이 방법은 유사하거나 더 뛰어난 재구성 무결성과 함께 경쟁 가능한 추론 시간을 보이며, 실시간 응용에 적합하다.
• 학습된 일치성 블록은 MPI 데이터의 복잡한 상관 잡음과 주파수 도메인 특성을 더 잘 모델링하여 데이터 일치성 향상에 기여했다.
• 암시적 미분과 딥 균형 모델링을 통해 명시적 펼침 없이도 고성능 해에 수렴할 수 있었으며, 이는 계산 오버헤드를 감소시켰다.
• 정규화 및 일치성에 대한 전용 프록시 매핑을 갖춘 두 구성 요소 ADMM 분할은 단일 변수 접근 방식에 비해 더 안정적이고 정확한 최적화를 가능하게 하였다.
• DEQ-MPI는 확대된 시스템 매트릭스에 잘 일반화되며, 2배 해상도에서 시각적 선명도가 효과적으로 유지되어 시스템 매트릭스 해상도 변화에 대한 강건성을 보였다.