[论文解读] A review and experimental evaluation of deep learning methods for MRI reconstruction

Arghya Pal, Yogesh Rathi|arXiv (Cornell University)|Sep 17, 2021

Advanced MRI Techniques and Applications被引用 6

一句话总结

本文综述并实验评估了用于加速磁共振成像（MRI）重建的深度学习（DL）方法，重点聚焦于图像域和k空间基础方法在并行成像中的应用。结果表明，与经典方法相比，基于深度学习的方法在图像质量和伪影减少方面有显著提升，尤其在损失函数设计和泛化能力方面取得关键进展，特别是感知损失和复数值损失的设计。

ABSTRACT

Following the success of deep learning in a wide range of applications, neural network-based machine-learning techniques have received significant interest for accelerating magnetic resonance imaging (MRI) acquisition and reconstruction strategies. A number of ideas inspired by deep learning techniques for computer vision and image processing have been successfully applied to nonlinear image reconstruction in the spirit of compressed sensing for accelerated MRI. Given the rapidly growing nature of the field, it is imperative to consolidate and summarize the large number of deep learning methods that have been reported in the literature, to obtain a better understanding of the field in general. This article provides an overview of the recent developments in neural-network based approaches that have been proposed specifically for improving parallel imaging. A general background and introduction to parallel MRI is also given from a classical view of k-space based reconstruction methods. Image domain based techniques that introduce improved regularizers are covered along with k-space based methods which focus on better interpolation strategies using neural networks. While the field is rapidly evolving with plenty of papers published each year, in this review, we attempt to cover broad categories of methods that have shown good performance on publicly available data sets. Limitations and open problems are also discussed and recent efforts for producing open data sets and benchmarks for the community are examined.

研究动机与目标

• 整合并总结快速发展的深度学习MRI重建方法，以全面概述当前最先进的方法。
• 在公开可用的数据集上评估基于深度学习的MRI重建方法的性能，重点关注图像域和k空间基础架构。
• 识别当前深度学习方法的局限性与开放性问题，包括泛化能力、数据需求以及对采集参数变化的鲁棒性。
• 考察近期在创建开放数据集和基准测试方面的工作，以实现不同方法之间公平、可复现的比较。
• 通过在病理数据和低信噪比（SNR）数据上的性能评估，评估基于深度学习的重建在临床应用中的可行性，这些数据对诊断至关重要。

提出的方法

• 本文将深度学习方法分为两类：生成模型（学习数据分布）和非生成模型（学习从欠采样k空间到高质量MR图像的逆映射）。
• 评估了图像域方法，即利用神经网络作为学习正则化器，以提高重建保真度并减少伪影。
• 研究了k空间基础方法，即通过神经网络更有效地插补缺失的k空间线，优于传统线性或非线性方法。
• 分析了多种损失函数，包括L2、SSIM以及一种新型感知损失（L_perp），该损失通过优先考虑相位一致性和保持幅值，提升细节恢复能力。
• 通过标准化基准（如fastMRI数据集）比较不同方法，确保在不同欠采样模式和加速因子下的公平评估。
• 综述了架构创新，如U-Net变体、残差连接和注意力机制在最先进模型中的应用，特别是在多接收线圈并行成像背景下的应用。

实验结果

研究问题

• RQ1 基于深度学习的MRI重建方法在图像质量和伪影减少方面，与经典压缩感知和并行成像技术相比如何？
• RQ2 在复数值MRI重建中，哪些损失函数对训练深度学习模型最为有效，特别是对保留精细解剖细节方面？
• RQ3 深度学习模型在未见的扫描参数、分辨率变化或训练中未见的解剖区域上的泛化能力如何？
• RQ4 当前深度学习方法在MRI重建中的主要局限性是什么，特别是在数据需求、对病理的鲁棒性以及临床部署方面？
• RQ5 开放数据集和标准化基准如何提升MRI重建中不同深度学习方法之间复现性和公平比较的能力？

主要发现

• 所提出的感知损失函数L_perp通过优先考虑相位一致性和减少幅值偏差，显著提升了精细细节的重建效果，并加速了收敛过程。
• 部分深度学习模型（如AUTOMAP）尽管在自然图像上进行训练，但表现出对未见数据的强大泛化能力，不过内存限制限制了其在高分辨率MRI中的应用。
• 最先进模型在fastMRI膝关节数据集上实现了卓越的图像质量，但其在低SNR和病理数据上的表现仍有限，需进一步验证。
• 当前深度学习方法对训练数据分布高度敏感；当测试数据的分辨率、视野或欠采样模式与训练集不同时，性能会显著下降。
• 缺乏标准化的、包含多样化采样方案的全采样原始数据，是实现公平基准测试的主要挑战，因为先前加速的数据可能造成结果偏差。
• 尽管生成对抗网络（GANs）和贝叶斯网络在数据充足时能够重建微小解剖细节，但它们需要大规模、多样化的数据集，且在未见临床场景中可能泛化能力不足。