[논문 리뷰] Learned Half-Quadratic Splitting Network for MR Image Reconstruction

Bingyu Xin, Timothy S. Phan외 2명|arXiv (Cornell University)|2021. 12. 17.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 논문은 가속화된 MRI 재구성용 학습된 하프-이차 분할(HQS) 네트워크를 제안하며, HQS 알고리즘을 데이터 일관성 및 노이즈 제거 단계를 포함하는 딥러닝 프레임워크로 언롤링한다. 이는 10× 가속도에서 PSNR 최대 1.76 dB 향상으로 최신 기술을 초월하며, 더 빠른 추론 속도와 높은 모델 효율성을 확보한다.

ABSTRACT

Magnetic Resonance (MR) image reconstruction from highly undersampled $k$-space data is critical in accelerated MR imaging (MRI) techniques. In recent years, deep learning-based methods have shown great potential in this task. This paper proposes a learned half-quadratic splitting algorithm for MR image reconstruction and implements the algorithm in an unrolled deep learning network architecture. We compare the performance of our proposed method on a public cardiac MR dataset against DC-CNN and LPDNet, and our method outperforms other methods in both quantitative results and qualitative results with fewer model parameters and faster reconstruction speed. Finally, we enlarge our model to achieve superior reconstruction quality, and the improvement is $1.76$ dB and $2.74$ dB over LPDNet in peak signal-to-noise ratio on $5 imes$ and $10 imes$ acceleration, respectively. Code for our method is publicly available at https://github.com/hellopipu/HQS-Net.

연구 동기 및 목표

• 기존 압축 감지 기반 방법이 느리고 최적화되지 않은 고도로 부족한 k-공간 데이터 문제를 해결한다.
• 특히 고가속도 요인에서 기존 딥러닝 기반 MRI 재구성 방법보다 재구성 품질과 속도를 향상시킨다.
• 선형 전진 모델에 대해 보다 효율적인 프록시 기반 방법보다 우수한 성능을 보이는 반복 최적화 기반의 반복 가능한 학습 가능한 프레임워크를 개발한다.
• 버퍼 크기 및 네트워크 깊이 등의 하이퍼파라미터를 통해 모델 용량과 재구성 품질의 균형을 확보한다.
• 재현 가능성과 딥러닝 기반 MRI 재구성 분야의 향후 연구를 지원하기 위해 공개된 구현을 제공한다.

제안 방법

• 하프-이차 분할(HQS) 알고리즘을 딥 네트워크로 언롤링하여 데이터 일관성 및 노이즈 제거 단계를 번갈아 수행한다.
• 수집된 측정치에 대한 충실도를 확보하기 위해, 부족한 k-공간 마스크를 사용한 푸리에 도메인 역행렬을 데이터 일관성 단계로 구현한다.
• 보조 변수 z에서의 잔차 연결을 포함한 잔차 컨volution 신경망(Residual CNN)을 사용해 노이즈 제거 단계를 모델링하며, 이는 이전 반복에서의 이미지 추정치를 개선한다.
• 최적화 안정성과 수렴성을 향상시키기 위해 반복 간 중간 변수(z)를 저장하는 버퍼 메커니즘을 도입한다.
• 특징 전파 및 세밀한 디테일 재구성을 향상시키기 위해 스킵 연결을 갖춘 U-Net 기반 변형(HQSNet-Unet)을 설계한다.
• 단일 코ils, 카르테시안 부족 샘플링을 사용한 공개된 심장 MRI 데이터셋에서, 재구성 충실도와 희박성 확보를 위해 L2 및 L1 손실의 조합을 사용해 네트워크를 엔드 투 엔드로 훈련한다.

실험 결과

연구 질문

• RQ1 학습된 하프-이차 분할(HQS) 프레임워크는 기존 언롤링 최적화 네트워크인 DC-CNN 및 LPDNet보다 MRI 영상 재구성에서 우월한 성능을 보일 수 있는가?
• RQ2 언롤링된 HQS 네트워크에서 데이터 일관성과 노이즈 제거 단계의 순서가 재구성 성능에 미치는 영향은 무엇인가?
• RQ3 잔차 노이즈 제거 설계 및 버퍼 메커니즘이 HQS 프레임워크 내 수렴성과 영상 품질에 미치는 영향은 무엇인가?
• RQ4 HQSNet 아키텍처는 과도한 계산 비용 없이도 재구성 품질 향상을 위해 효과적으로 확장될 수 있는가?
• RQ5 고가속도 요인(5× 및 10×)에서 PSNR, SSIM 및 추론 속도 측면에서 HQS 기반 방법은 최신 기술 대비 어떻게 비교되는가?

주요 결과

• 제안된 HQSNet은 10× 가속도에서 PSNR 34.70 dB를 달성하며, LPDNet을 1.76 dB 초월하여 뛰어난 재구성 품질을 입증한다.
• 5× 가속도에서 HQSNet은 PSNR 34.17 dB를 기록하며, LPDNet을 1.00 dB 초월하여 가속도 수준에 관계없이 일관된 성능 향상을 확인한다.
• HQSNet-Unet 변형은 10× 가속도에서 최고의 재구성 품질을 달성하며, 확대 영역 및 경계 디테일에서 시각적 정밀도가著 향상된다.
• HQSNet은 소형 모델 크기(1.28M 파라미터)와 낮은 FLOPs(39.35G)를 유지하며, 효율성과 정확도 모두에서 DC-CNN 및 ISTANet+를 뛰어넘는다.
• 절단 실험 결과, DC-first 순서, 잔차 노이즈 제거 설계, 버퍼 메커니즘이 각각 성능 향상에 기여하며, 버퍼 크기(m=7)에서 최고의 성능을 기록한다.
• 이 방법은 고가속도 요인에 대해 잘 일반화되며, 오차 맵과 확대 영역에서 기준 대비 더 적은 잡음과 더 선명한 해부학적 구조를 보여준다.