[논문 리뷰] Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models

Sriram Ravula, Brett Levac외 4명|arXiv (Cornell University)|2023. 06. 05.

Advanced Neuroimaging Techniques and Applications인용 수 5

한 줄 요약

이 논문은 사전 훈련된 확산 생성 모델을 사전 지식으로 활용하여 압축 센싱 MRI를 위한 k-space 샘플링 패턴을 최적화하는 새로운 방법을 제안한다. 닫힌 형식의 사후 평균 추정을 활용해 생성기의 미세조정 없이도 효율적이고 기울기 기반 최적화를 가능하게 한다. 이 방법은 단지 다섯 장의 훈련 이미지로도 기준 패턴 대비 경쟁력 있거나 향상된 재구성 품질을 달성한다.

ABSTRACT

Magnetic resonance imaging (MRI) is a powerful medical imaging modality, but long acquisition times limit throughput, patient comfort, and clinical accessibility. Diffusion-based generative models serve as strong image priors for reducing scan-time with accelerated MRI reconstruction and offer robustness across variations in the acquisition model. However, most existing diffusion-based approaches do not exploit the unique ability in MRI to jointly design both the sampling pattern and the reconstruction method. While prior learning-based approaches have optimized sampling patterns for end-to-end unrolled networks, analogous methods for diffusion-based reconstruction have not been established due to the computational burden of posterior sampling. In this work, we propose a method to optimize k-space sampling patterns for accelerated multi-coil MRI reconstruction using diffusion models as priors. We introduce a training objective based on a single-step posterior mean estimate that avoids backpropagation through an expensive iterative reconstruction process. Then we present a greedy strategy for learning Cartesian sampling patterns that selects informative k-space locations using gradient information from a pre-trained diffusion model while enforcing spatial diversity among samples. Experimental results across multiple anatomies and acceleration factors demonstrate that diffusion models using the optimized sampling patterns achieve higher-quality reconstructions in comparison to using fixed and learned baseline patterns.

연구 동기 및 목표

• 압축 센싱 MRI에서 최적의 k-space 샘플링 패턴을 학습하는 방법을 개발하는 것. 이는 사전 훈련된 확산 모델을 사전 지식으로 활용한다.
• 알고리즘 전개가 불가능한 비지도 재구성에서도 기울기 기반 샘플링 패턴 최적화를 가능하게 하는 것.
• 재구성 네트워크 아키텍처에 대한 의존도를 줄이기 위해 샘플링 패턴 학습을 추론 시 샘플링 방식에서 분리하는 것.
• 예를 들어 다섯 장의 훈련 이미지만으로도 효과적인 패턴 학습이 가능하도록 최소한의 데이터에 의존하는 것.
• 추론 시 사용하는 사후 샘플링 알고리즘과의 독립성을 확보함으로써 모듈성을 보장하는 것.

제안 방법

• Tweedie의 공식을 사용해 사후 평균 추정을 닫힌 형식으로 계산함으로써 재구성 과정 전반에 걸쳐 효율적인 기울기 계산이 가능해진다.
• 사후 평균을 바탕으로 한 훈련 목표를 설정함으로써 스코어 네트워크를 통해 역전파가 가능해지며, 이는 샘플링 패턴 최적화에 기여한다.
• 이 방법은 샘플링 패턴을 미분 가능한 연산자로 간주하여 기울기 하강법을 통한 엔드 투 엔드 최적화를 가능하게 한다.
• 모델은 추가적인 미세조정 없이 사전 훈련된 확산 모델에 의존하므로 다양한 해부학적 구조와 가속도 요인에 걸쳐 일반화 능력을 유지한다.
• 샘플링 패턴을 추론 시 샘플링 알고리즘에서 분리함으로써 테스트 시 어떤 사후 샘플링 방법과도 호환 가능해진다.
• 훈련 과정은 단일 단계 재구성 기반 사후 평균을 사용하여 계산 비용과 복잡성을 감소시킨다.

(a)

실험 결과

연구 질문

• RQ1 종합적인 훈련이나 미세조정 없이도 확산 생성 모델을 사용해 압축 센싱 MRI의 샘플링 패턴을 최적화할 수 있는가?
• RQ2 닫힌 형식의 사후 평균 추정이 비지도 MRI 재구성에서 샘플링 패턴의 효과적이고 효율적인 최적화를 가능하게 하는가?
• RQ3 이 방법을 사용해 다섯 장의 훈련 이미지만으로도 효과적인 샘플링 패턴을 학습할 수 있는가?
• RQ4 재구성 품질 측면에서 표준 샘플링 패턴인 등간격 및 포isson 디스크 마스크와 비교해 본다면 이 방법은 어떠한가?
• RQ5 훈련 중에 샘플링 단계 수나 노이즈 수준과 같은 파라미터의 변화에 대해 이 방법은 얼마나 강인한가?

주요 결과

• 다양한 해부학적 구조와 가속도 요인에서 기준 등간격 및 포isson 디스크 패턴 대비 경쟁력 있거나 향상된 재구성 품질을 달성한다.
• 다섯 장의 훈련 이미지만으로도 2D 영상에서 고정된 등간격 마스크보다 우수한 성능을 보이는 샘플링 패턴을 학습한다.
• 추론 시 샘플링 단계 수나 노이즈 수준의 변화에 대해 성능이 안정적으로 유지되어 강인함을 보인다.
• 낮은 노이즈 수준에서는 고주파 k-space 성분을 잘 포착하고, 높은 노이즈 수준에서는 중심 k-space에 집중하는 패턴을 학습함으로써 적절한 신호 대 노이즈 적응을 반영한다.
• 훈련 노이즈 수준에서 '사망 영역'(dead zone)이 관찰되었으며, 이는 성능 저하(예: σ=5)를 초래했고, 하이퍼파rameter 선택에 민감함을 시사한다.
• 샘플링 패턴을 추론 시 샘플링 알고리즘에서 분리함으로써 모듈성을 유지하며, 어떤 사후 샘플링 기법과도 호환 가능하다.

(b)