[论文解读] Complex Fully Convolutional Neural Networks for MR Image Reconstruction

Muneer Ahmad Dedmari, Sailesh Conjeti+4 more|arXiv (Cornell University)|Jul 9, 2018

Advanced MRI Techniques and Applications参考文献 11被引用 8

一句话总结

本文提出复数密集全卷积神经网络（ℂDFNet），一种深度学习框架，通过在整个网络中使用复数运算来重建欠采样的磁共振（MR）图像。通过将k空间数据建模为固有的复数，并使用专门设计的复数卷积、批归一化和激活层，ℂDFNet在恢复细微解剖结构和高频细节方面优于实数版本模型，相较于最先进方法在Pratt的评价指标（FOM）上最高提升11.5%。

ABSTRACT

Undersampling the k-space data is widely adopted for acceleration of Magnetic Resonance Imaging (MRI). Current deep learning based approaches for supervised learning of MRI image reconstruction employ real-valued operations and representations by treating complex valued k-space/spatial-space as real values. In this paper, we propose complex dense fully convolutional neural network ($\mathbb{C}$DFNet) for learning to de-alias the reconstruction artifacts within undersampled MRI images. We fashioned a densely-connected fully convolutional block tailored for complex-valued inputs by introducing dedicated layers such as complex convolution, batch normalization, non-linearities etc. $\mathbb{C}$DFNet leverages the inherently complex-valued nature of input k-space and learns richer representations. We demonstrate improved perceptual quality and recovery of anatomical structures through $\mathbb{C}$DFNet in contrast to its real-valued counterparts.

研究动机与目标

• 为解决实数版本深度学习模型在MRI重建中的局限性，这些模型将复数k空间数据视为独立的实部与虚部分量。
• 开发一种完全端到端的深度学习框架，以保持MR k空间数据的固有复数特性。
• 通过复数版本的密集模块增强特征传播与表征学习，从而提升重建质量。
• 评估该方法在不同加速因子与欠采样模式下的鲁棒性。
• 证明复数版本网络在恢复细微解剖结构与高频纹理方面优于实数版本替代方案。

提出的方法

• 提出一种使用复数卷积运算直接处理复数k空间数据的复数全卷积神经网络（ℂDFNet）。
• 引入一种复数密集模块架构，包含复数卷积、复数批归一化和复数ReLU激活，以增强特征复用与信息流动。
• 采用复合损失函数，结合均方误差与结构相似性（SSIM），以提升感知质量与结构保真度。
• 集成数据一致性层（DCL），以确保网络输出与采集到的欠采样k空间数据之间的一致性。
• 在整个网络中使用复数运算，包括复数权重初始化与复数激活函数，以保持相位与幅度关系。
• 使用完全采样的MR图像作为真实标签，端到端训练网络，使模型能够从数据中学习解剖先验知识。

实验结果

研究问题

• RQ1 与实数版本网络相比，采用复数运算的端到端深度学习是否能提升MRI重建质量？
• RQ2 使用复数版本层如何影响在欠采样MRI中对细微解剖结构与高频细节的恢复？
• RQ3 数据一致性层与基于SSIM的损失在提升重建精度与感知质量方面分别起到什么作用？
• RQ4 所提出的ℂDFNet在不同加速因子与欠采样模式下是否表现出良好的鲁棒性？
• RQ5 将k空间建模为复数整体是否比将其视为独立的实部分量更能保持相位与幅度关系？

主要发现

• 在6×加速因子下，ℂDFNet相较于最先进方法DLMRI，Pratt评价指标（FOM）提升11.5%，表明其在恢复细微解剖细节方面具有显著优势。
• 在4×加速因子下，ℂDFNet相较DLMRI在FOM上提升12.5%，证明其在结构恢复方面具有持续优势。
• 引入数据一致性层（DCL）后，在所有测试组合中FOM平均提升超过6%，凸显其在重建精度中的关键作用。
• 在6×加速因子下，复数密集模块架构相比其实数版本（BL1）在FOM上提升5.7%，证实复数特征学习的优势。
• ℂDFNet在不同加速因子下表现出强泛化能力，在未见过的欠采样模式测试中仍保持高性能。
• 在4×加速因子下，网络实现5.54×10⁻⁴的MSE与0.9269的SSIM，优于零填充重建与DLMRI在所有定量指标上的表现。