[논문 리뷰] Physics-Informed DeepMRI: Bridging the Gap from Heat Diffusion to k-Space Interpolation

Zhuo‐Xu Cui, Congcong Liu외 12명|arXiv (Cornell University)|2023. 08. 30.

Advanced MRI Techniques and ApplicationsMedicine인용 수 3

한 줄 요약

이 논문은 물리학 기반의 딥마리(DeepMRI)를 제안하며, MRI 재구성 문제를 물리학에 기반한 역열화 확산 과정으로 모델링하는 새로운 k-space 보간 방법이다. 점수 기반 생성 모델을 사용하여 정의되지 않은 역문제를 해결하며, 고가속도 조건에서도 기존의 전통적 및 딥러닝 기반 k-space 방법보다 우수한 재구성 정확도를 달성한다. 특히 고주파 영역에서 뛰어난 성능을 보인다.

ABSTRACT

In the field of parallel imaging (PI), alongside image-domain regularization methods, substantial research has been dedicated to exploring $k$-space interpolation. However, the interpretability of these methods remains an unresolved issue. Furthermore, these approaches currently face acceleration limitations that are comparable to those experienced by image-domain methods. In order to enhance interpretability and overcome the acceleration limitations, this paper introduces an interpretable framework that unifies both $k$-space interpolation techniques and image-domain methods, grounded in the physical principles of heat diffusion equations. Building upon this foundational framework, a novel $k$-space interpolation method is proposed. Specifically, we model the process of high-frequency information attenuation in $k$-space as a heat diffusion equation, while the effort to reconstruct high-frequency information from low-frequency regions can be conceptualized as a reverse heat equation. However, solving the reverse heat equation poses a challenging inverse problem. To tackle this challenge, we modify the heat equation to align with the principles of magnetic resonance PI physics and employ the score-based generative method to precisely execute the modified reverse heat diffusion. Finally, experimental validation conducted on publicly available datasets demonstrates the superiority of the proposed approach over traditional $k$-space interpolation methods, deep learning-based $k$-space interpolation methods, and conventional diffusion models in terms of reconstruction accuracy, particularly in high-frequency regions.

연구 동기 및 목표

• 기존의 k-space 및 이미지 도메인 병렬 촬영(PI) 방법의 가속도 성능 제한과 낮은 해석 가능성 문제를 해결하기 위해.
• 열확산 방정식에 기반한 동일한 물리적 프레임워크 아래 k-space 보간과 이미지 도메인 정규화를 통합하기 위해.
• 물리학 기반 딥러닝을 활용하여 MRI 재구성에서 역열확산 방정식을 푸는 역문제를 극복하기 위해.
• 고주파 k-space 영역에서의 재구성 정확도를 향상시켜 고부분수율 조건에서도 뛰어난 성능을 내기 위해.
• 물리 원리를 통합한 딥러닝 생성 모델링과 결합된 강력하고 해석 가능하며 일반화 가능한 고가속도 MRI 재구성 프레임워크를 개발하기 위해.

제안 방법

• 고주파 k-space 감쇠를 전방 열확산 과정으로 모델링하고, 고주파 재구성을 역열확산 과정으로 간주한다.
• MRI 물리학, 특히 코ils 감도와 k-space 구조를 고려해 역열확산 방정식을 재구성함으로써 안정성과 물리적 타당성을 향상시킨다.
• 수정된 역열확산 방정식을 해결하기 위해 점수 기반 생성 모델을 활용하여 누락된 고주파 데이터의 정밀하고 미분 가능한 재구성을 가능하게 한다.
• ESPIRiT 또는 저랭크 근사(저랭크 추정, SLR)를 통한 감도 추정과 물리학 기반 확산 모델을 통합하여 감도 오차에 대한 강건성을 향상시킨다.
• 역과정의 존재를 보장하기 위해 노이즈 스케일을 적용한 확률적 미분 방정식(SDE) 공식을 사용하며, 노이즈 스케일 $\sigma_N$ 은 경험적으로 조정된다.
• 공개된 데이터셋을 기반으로 엔드 투 엔드로 모델을 훈련시키며, 다양한 가속도 요인 하에서 NMSE, PSNR, SSIM을 최적화한다.

실험 결과

연구 질문

• RQ1 역열확산 방정식은 병렬 MRI에서 k-space 보간과 이미지 도메인 정규화를 통합하는 물리적 프레임워크로 기능할 수 있는가?
• RQ2 물리학 기반 수정과 딥러닝 생성 모델링을 통해 MRI에서 역열확산의 정의되지 않은 성질을 어떻게 완화할 수 있는가?
• RQ3 물리학 기반 점수 기반 확산 모델은 전통적인 k-space 보간 및 딥러닝 기반 방법보다 고정밀, 고가속도 MRI 재구성에서 뛰어난 성능을 보일 수 있는가?
• RQ4 코일 감도 추정의 변동에 대해 제안된 방법은 얼마나 강건한가? 이는 병렬 촬영에서 주요 오차 원인이다.
• RQ5 재구성 정밀도와 아티팩트 억제를 균형 잡는 데 최적의 노이즈 스케일 $\sigma_N$ 은 무엇인가?

주요 결과

• 제안된 AK-Diffusion 방법은 가속도 요인 $R=6$에서 PSNR 34.90 ± 2.04 dB, SSIM 0.90 ± 0.04를 달성하며, $\sigma_N = 0.5$ 및 $\sigma_N = 1.0$을 사용한 기준선 방법들을 모두 능가한다.
• $R=6$에서 NMSE는 0.0045 ± 0.0024를 기록하여 고주파 영역에서 특히 뛰어난 재구성 정확도를 입증한다.
• 모델은 감도 추정의 변동에 대해 강건성을 보이며, ESPIRiT, SOS 및 SLR 기반 감도 추정 모두에서 높은 시각적 품질을 유지한다.
• 노이즈 스케일 $\sigma_N$ 을 증가시키면 고주파 세부 정보 복원이 향상되지만, 가짜 세부 정보가 생성될 위험도 증가하므로 $\sigma_N = 1.0$은 균형 잡힌 경험적 선택임을 시사한다.
• 정량적 지표와 시각적 정밀도 모두에서 기존의 전통적 k-space 보간, 딥러닝 기반 k-space 방법, 표준 확산 모델보다 뚜렷이 뛰어난 성능을 보인다.
• 블랙박스 딥러닝의 대안으로 물리적으로 해석 가능한 프레임워크를 제공하며, 단일 열확산 기반 모델을 통해 이미지 도메인과 k-space PI를 통합한다.