[논문 리뷰] Robust Compressed Sensing MRI with Deep Generative Priors

Ajil Jalal, Marius Arvinte외 4명|arXiv (Cornell University)|2021. 08. 03.

Sparse and Compressive Sensing Techniques참고 문헌 79인용 수 46

한 줄 요약

본 논문은 CSGM 프레임워크 내에서 점수 기반 생성 사전(score-based generative prior)을 다중 코일 MRI에 적용하고, Langevin 후방 샘플링을 사용하여 강건하고 분포 변화에 강인한 재구성 및 불확실성 정량화를 달성한다.

ABSTRACT

The CSGM framework (Bora-Jalal-Price-Dimakis'17) has shown that deep generative priors can be powerful tools for solving inverse problems. However, to date this framework has been empirically successful only on certain datasets (for example, human faces and MNIST digits), and it is known to perform poorly on out-of-distribution samples. In this paper, we present the first successful application of the CSGM framework on clinical MRI data. We train a generative prior on brain scans from the fastMRI dataset, and show that posterior sampling via Langevin dynamics achieves high quality reconstructions. Furthermore, our experiments and theory show that posterior sampling is robust to changes in the ground-truth distribution and measurement process. Our code and models are available at: \url{https://github.com/utcsilab/csgm-mri-langevin}.

연구 동기 및 목표

• 고정된 측정 방식 없이 복소값 MR 이미지에 대해 점수 기반 제너레이터를 활용한 CSGM의 성공적 적용을 입증한다.
• 다양한 샘플링 패턴과 해부학적 변형 아래에서 Langevin 역학을 통한 후방 샘플링이 고품질 MRI 재구성을 산출한다는 것을 보인다.
• 배포 변화에 대한 방법의 강건성과 다중 후방 샘플링을 통한 불확실성 정량화 가능성을 평가한다.

제안 방법

• 뇌 MRI 슬라이스에서 점수 기반 생성 모델(NCSNv2)을 훈련시켜 복소값 MR 이미지 통계를 포착한다.
• 일반적인 전방 모델 A와 측정값 y 하에 mu(x|y) 후방에서 재구성을 도출하기 위해 Langevin dynamics를 이용한 후방 샘플링을 사용한다.
• 측정 잡음을 반영한 데이터 적합 항과 점수 추정치를 포함한 어닐링된 Langevin 스킴을 도입한다.
• 훈련 중 특정 샘플링 방식을 가정하지 않고 코일 감도 및 k-공간 샘플링을 포함하는 다중 코일 MRI의 전방 모델을 사용하여 A를 정의한다.

실험 결과

연구 질문

• RQ1 뇌 MRI에서 훈련된 점수 기반 생성 사전이 다양한 샘플링 패턴 아래에서 다른 해부학(예: 무릎, 복부)을 재구성할 수 있는가?
• RQ2 학습된 사전으로 이룬 후방 샘플링이 해부학 및 측정 과정의 배포 변화에 대해 엔드투엔드 감독 방법과 비교하여 강건한가?
• RQ3 후방 샘플링이 재구성된 MR 이미지에 대해 신뢰할 수 있는 불확실성 정량화를 제공하는가?
• RQ4 현실적인 가속 MRI 조건에서 제안된 방법이 전통적 희소성 기반 및 엔드투엔드 방법과 비교하여 어떤 성능을 보이는가?

주요 결과

• 후방 샘플링은 분포 내 재구성에서 경쟁력 있는 결과를 보이고 분포 외 샘플링 패턴과 해부학에 대한 강건성을 보인다.
• 이 방법은 후방에서 다중 재구성을 가능하게 하여 보셀 단위의 불확실성 추정치를 가능하게 한다.
• 테스트 시간의 분포 변화에 대한 강건성을 보여주며 특정 시나리오에서 샘플링 패턴과 해부학의 변화에 대해 일부 엔드투엔드 베이스라인보다 이를 더 잘 처리할 수 있다.
• 미처 보지 못한 해부학(예: 복부, 무릎)과 다양한 코일 구성에 직면했을 때 더 적은 아티팩트로 질적 개선을 제공합니다.