[论文解读] Deep De-Aliasing for Fast Compressive Sensing MRI

Simiao Yu, Hao Dong+9 more|arXiv (Cornell University)|May 19, 2017

Sparse and Compressive Sensing Techniques参考文献 5被引用 44

一句话总结

本文提出一种新型条件生成对抗网络（cGAN）框架，结合创新的精炼学习过程，用于快速压缩感知磁共振成像（CS-MRI）中高度欠采样k空间数据的去混叠。通过结合对抗损失、像素级均方误差（MSE）以及感知VGG损失，该方法在定量指标和感知真实感方面均显著优于现有CS-MRI方法，实现了最先进的重建质量与实时推理速度（每幅图像0.22–0.37ms）。

ABSTRACT

Fast Magnetic Resonance Imaging (MRI) is highly in demand for many clinical applications in order to reduce the scanning cost and improve the patient experience. This can also potentially increase the image quality by reducing the motion artefacts and contrast washout. However, once an image field of view and the desired resolution are chosen, the minimum scanning time is normally determined by the requirement of acquiring sufficient raw data to meet the Nyquist-Shannon sampling criteria. Compressive Sensing (CS) theory has been perfectly matched to the MRI scanning sequence design with much less required raw data for the image reconstruction. Inspired by recent advances in deep learning for solving various inverse problems, we propose a conditional Generative Adversarial Networks-based deep learning framework for de-aliasing and reconstructing MRI images from highly undersampled data with great promise to accelerate the data acquisition process. By coupling an innovative content loss with the adversarial loss our de-aliasing results are more realistic. Furthermore, we propose a refinement learning procedure for training the generator network, which can stabilise the training with fast convergence and less parameter tuning. We demonstrate that the proposed framework outperforms state-of-the-art CS-MRI methods, in terms of reconstruction error and perceptual image quality. In addition, our method can reconstruct each image in 0.22ms--0.37ms, which is promising for real-time applications.

研究动机与目标

• 解决因k空间采样低于奈奎斯特标准而引起的快速磁共振成像中的混叠伪影问题。
• 超越依赖固定稀疏变换和迭代优化的传统压缩感知（CS）方法，提升重建质量。
• 通过利用深度学习实现快速推理速度，实现磁共振成像的实时重建。
• 通过将感知损失与对抗训练相结合，提升重建图像的感知质量。
• 通过提出的生成器精炼学习过程，稳定训练过程并减少超参数调优需求。

提出的方法

• 采用条件生成对抗网络（cGAN）架构，其中生成器以欠采样k空间数据为输入，输出去混叠图像。
• 引入混合损失函数，结合像素级均方误差（MSE）与使用预训练VGG网络计算的感知损失，以提升结构与纹理的真实性。
• 引入对抗损失，促使生成器输出的样本在判别器眼中难以与真实图像区分。
• 提出一种精炼学习过程，以稳定训练、加速收敛，并降低对超参数的敏感性。
• 使用一维和二维高斯随机采样掩码，模拟高度欠采样的k空间数据，用于训练与评估。
• 端到端训练生成器，结合内容损失、对抗损失与感知损失；判别器则负责区分真实图像与生成图像。

实验结果

研究问题

• RQ1 基于感知损失与对抗损失的GAN框架，能否在从高度欠采样k空间数据重建高质量磁共振图像方面，超越传统CS-MRI方法？
• RQ2 所提出的精炼学习过程在深度磁共振成像重建中，对训练稳定性与收敛速度有何影响？
• RQ3 与仅使用MSE优化相比，感知损失的引入在多大程度上提升了重建磁共振图像的感知质量？
• RQ4 鉴于其计算效率，该方法能否实现适合临床部署的实时推理速度？
• RQ5 该方法在不同欠采样水平下，特别是高加速率（如50%）时，表现如何？

主要发现

• 在MICCAI数据集上，PPGR模型在所有测试欠采样率下均实现了最低的NMSE与最高的PSNR，2D高斯采样下50%欠采样时，NMSE = 0.0385，PSNR = 47.30。
• 在20%二维欠采样条件下，PPGR模型的PSNR达到45.66，优于ZF（38.91）、PG（44.41）与PPG（45.66）的定量指标。
• 视觉对比显示，尽管PG的NMSE与PSNR略优，PPG与PPGR方法在纹理真实感与锯齿伪影减少方面表现更佳，体现出更强的感知优势。
• 该方法每幅图像重建时间仅为0.22–0.37ms，证明其具备临床应用的实时可行性。
• 精炼学习过程实现了更快的收敛速度，并减少了对超参数调优的依赖，显著提升了训练稳定性。
• 该模型在无需显式前向模型的情况下，对高度欠采样数据表现出良好的泛化能力，证明其在复杂重建场景下的鲁棒性。