[论文解读] Extending LOUPE for K-space Under-sampling Pattern Optimization in Multi-coil MRI

Jinwei Zhang, Hang Zhang+6 more|arXiv (Cornell University)|Jul 28, 2020

Advanced MRI Techniques and Applications参考文献 27被引用 8

一句话总结

该论文通过在真实人体多coil k空间数据上进行训练，而非使用来自幅度图像的模拟数据，扩展了LOUPE框架以实现多coil MRI中k空间欠采样模式的优化。该方法采用带有直通估计器的二值随机采样层以实现可微分采样，并使用改进的展开优化网络进行重建。该方法在图像重建性能方面表现优越（PSNR: 42.6 dB，SSIM: 0.968），且在与传统重建方法结合使用时，其泛化能力优于手工设计的变密度采样模式。

ABSTRACT

The previously established LOUPE (Learning-based Optimization of the Under-sampling Pattern) framework for optimizing the k-space sampling pattern in MRI was extended in three folds: firstly, fully sampled multi-coil k-space data from the scanner, rather than simulated k-space data from magnitude MR images in LOUPE, was retrospectively under-sampled to optimize the under-sampling pattern of in-vivo k-space data; secondly, binary stochastic k-space sampling, rather than approximate stochastic k-space sampling of LOUPE during training, was applied together with a straight-through (ST) estimator to estimate the gradient of the threshold operation in a neural network; thirdly, modified unrolled optimization network, rather than modified U-Net in LOUPE, was used as the reconstruction network in order to reconstruct multi-coil data properly and reduce the dependency on training data. Experimental results show that when dealing with the in-vivo k-space data, unrolled optimization network with binary under-sampling block and ST estimator had better reconstruction performance compared to the ones with either U-Net reconstruction network or approximate sampling pattern optimization network, and once trained, the learned optimal sampling pattern worked better than the hand-crafted variable density sampling pattern when deployed with other conventional reconstruction methods.

研究动机与目标

• 通过在真实人体多coil k空间数据上进行训练，而非使用来自幅度图像的模拟数据，以改进多coil MRI中k空间欠采样模式的优化。
• 通过用带有直通估计器的二值随机采样层替代近似随机采样，提升采样模式优化中的训练可微性。
• 通过采用带有学习正则化项的改进展开优化网络，减少对大规模训练数据集的依赖，以更好地重建多coil MRI数据。
• 评估所学习的采样模式在与标准重建方法结合使用时，是否优于传统变密度模式的泛化能力。

提出的方法

• 从临床MR扫描仪获取的真实人体多coil k空间数据进行回顾性欠采样，替代原始LOUPE中使用的模拟k空间数据。
• 引入一种带有直通估计器的二值随机采样层，以实现通过采样模式学习中非可微阈值操作的梯度反向传播。
• 采用一种带有学习正则化项的改进展开优化网络，替代LOUPE中使用的U-Net，以更好地重建具有正确数据一致性的多coil MRI数据。
• 使用完全采样k空间中的中间重建结果与真实图像之间的L1损失，联合训练采样模式优化网络与重建网络。
• 采用固定的10%欠采样率，中心25×25 k空间区域完全采样，并在RTX 2080Ti GPU上使用Adam优化器训练200个周期。

实验结果

研究问题

• RQ1 与使用模拟数据相比，在真实人体多coil k空间数据上进行训练是否能提升k空间采样模式优化的性能？
• RQ2 在训练过程中，带有直通估计器的二值随机采样层是否能优于LOUPE中使用的近似随机采样？
• RQ3 与U-Net相比，带有学习正则化项的改进展开优化网络是否能减少对大规模训练数据集的依赖，并提升多coil MRI的重建质量？
• RQ4 当与ESPIRiT和TGV等传统重建方法结合使用时，所学习的采样模式是否比手工设计的变密度模式具有更好的泛化能力？

主要发现

• 所提出的MoDL + BS（带二值采样和ST估计器的展开网络）方法在测试数据上实现了最高的PSNR（42.6 ± 1.1 dB）和SSIM（0.968 ± 0.012），优于所有其他组合。
• 与U-Net和AS变体相比，MoDL + BS配置在重建图和误差图中均显著降低了噪声并改善了结构细节，视觉上可确认。
• 无论使用何种重建方法（ESPIRiT、TGV或MoDL），所学习的采样模式在所有情况下均一致优于变密度（VD）模式，实现了更高的PSNR和SSIM值。
• 当与传统重建方法结合使用时，所学习的采样模式在绝对误差图中表现出更低的全局误差和更清晰的结构细节，优于VD模式。
• 该方法表现出强大的泛化能力：一旦训练完成，最优采样模式即使在与非学习型重建算法结合使用时，也能提升重建性能。