[论文解读] Robust partial Fourier reconstruction for diffusion-weighted imaging using a recurrent convolutional neural network

Fasil Gadjimuradov, Thomas Benkert+2 more|arXiv (Cornell University)|May 19, 2021

Advanced Neuroimaging Techniques and Applications参考文献 33被引用 11

一句话总结

本论文提出了一种基于循环卷积神经网络（RCNN）的展开式邻近分裂算法，用于在扩散加权成像（DWI）中实现鲁棒的局部傅里叶（PF）重建，特别针对腹部和高b值DWI中常见的非光滑相位变化问题。通过使用排列等变RCNN联合重建同一层面的多个重复图像，该方法显著降低了传统PF技术产生的伪影，在各种解剖结构和分辨率下均实现了更优的图像质量和泛化能力，即使在强PF因子（例如5/8）下亦表现优异。

ABSTRACT

Purpose: To develop an algorithm for robust partial Fourier (PF) reconstruction applicable to diffusion-weighted (DW) images with non-smooth phase variations. Methods: Based on an unrolled proximal splitting algorithm, a neural network architecture is derived which alternates between data consistency operations and regularization implemented by recurrent convolutions. In order to exploit correlations, multiple repetitions of the same slice are jointly reconstructed under consideration of permutation-equivariance. The algorithm is trained on DW liver data of 60 volunteers and evaluated on retrospectively and prospectively sub-sampled data of different anatomies and resolutions. Results: The proposed method is able to significantly outperform conventional PF techniques on retrospectively sub-sampled data in terms of quantitative measures as well as perceptual image quality. In this context, joint reconstruction of repetitions as well as the particular type of recurrent network unrolling are found to be beneficial with respect to reconstruction quality. On prospectively PF-sampled data, the proposed method enables DW imaging with higher signal without sacrificing image resolution or introducing additional artifacts. Alternatively, it can be used to counter the TE increase in acquisitions with higher resolution. Further, generalizability can be shown to prospective brain data exhibiting anatomies and contrasts not present in the training set. Conclusion: This work demonstrates that robust PF reconstruction of DW data is feasible even at strong PF factors in anatomies prone to phase variations. Since the proposed method does not rely on smoothness priors of the phase but uses learned recurrent convolutions instead, artifacts of conventional PF methods can be avoided.

研究动机与目标

• 解决由于非光滑相位变化（尤其在腹部等易运动区域）导致的扩散加权成像（DWI）中局部傅里叶（PF）重建的伪影问题。
• 开发一种基于深度学习的重建方法，避免依赖于相位平滑性先验，因为此类先验在高频相位区域会失效。
• 通过使用排列等变学习联合重建同一层面的多个重复图像，提升重建质量。
• 实现在临床DWI序列中高PF因子（例如5/8）下的鲁棒PF重建，同时不损失分辨率或引入伪影。
• 验证方法在前瞻性数据上的泛化能力，包括训练数据中未出现的对比度的脑DWI。

提出的方法

• 该方法基于展开邻近分裂算法，交替执行数据一致性步骤和通过循环卷积（ConvGRUs）实现的正则化。
• 采用具有ConvGRUs的循环卷积神经网络（RCNN）来建模正则化项，替代传统的平滑性先验。
• 利用受Deep Set启发的架构，联合重建同一层面的多个重复图像，确保在重复之间具有排列等变性。
• 在60名志愿者的回顾性 undersampled DWI 数据上以监督方式训练网络，以真实图像作为目标。
• 网络架构中包含一个数据一致性步骤，用于强制保证与采集的k空间数据的一致性，确保物理合理性。
• 展开过程经过优化，以在性能与参数效率之间取得平衡，实现与级联网络相当的性能，但参数量仅为K分之一。

实验结果

研究问题

• RQ1 基于深度学习的PF重建方法是否能在具有强烈非光滑相位变化的DWI中优于传统技术？
• RQ2 与单独重建相比，联合重建同一层面的多个重复图像是否能提升重建质量？
• RQ3 与替代展开策略（如权重共享、级联）相比，采用展开邻近分裂的循环卷积网络架构是否在图像质量和参数效率方面表现更优？
• RQ4 该方法是否能泛化至不同解剖结构（如脑部）和训练数据中未见的对比度的前瞻性数据？
• RQ5 在高b值下，由于大相位误差导致的k空间中心偏移，该方法是否仍具有鲁棒性？

主要发现

• 在回顾性子采样数据上，所提方法显著优于传统PF技术（如Homodyne、POCS），相比单独重复重建（DRPFNone），PSNR提升+0.56 dB，SSIM提升+0.0129。
• 与仅使用干净重复的重建相比，联合重建重复图像使图像质量提升−0.53 dB PSNR和−0.0066 SSIM，但仍优于单独重建。
• 循环展开策略在参数量仅为级联网络K分之一的情况下实现了更优性能，证明了其参数效率。
• 在前瞻性子采样数据上，该方法实现了更高的信噪比（SNR），未损失分辨率或引入伪影，或可在高分辨率扫描中实现TE缩短。
• 该方法在前瞻性脑DWI数据上表现出良好的泛化能力，包括训练集中未出现的对比度和解剖结构（如肝脏数据）。
• 仅有0.53%的高b值病例（b = 800 s/mm²）出现k空间中心偏移超出采样区域，且由于重复平均，此类情况下的信号损失对平均图像的影响微乎其微。