[论文解读] Spatiotemporal implicit neural representation for unsupervised dynamic MRI reconstruction

Jie Feng, Ruimin Feng+4 more|arXiv (Cornell University)|Dec 31, 2022

Advanced MRI Techniques and Applications被引用 8

一句话总结

本文提出一种无监督时空隐式神经表示（INR），用于从高度欠采样的k空间数据中重建动态MRI，仅以时空坐标作为输入，并通过数据一致性以及显式的低秩/稀疏性正则化优化INR。该方法实现了最先进性能，在41.6倍加速的电影心动图数据上，PSNR提升5.5–7.1 dB，且具备强内部连续性，可实现无需额外训练的高质量时间超分辨率。

ABSTRACT

Supervised Deep-Learning (DL)-based reconstruction algorithms have shown state-of-the-art results for highly-undersampled dynamic Magnetic Resonance Imaging (MRI) reconstruction. However, the requirement of excessive high-quality ground-truth data hinders their applications due to the generalization problem. Recently, Implicit Neural Representation (INR) has appeared as a powerful DL-based tool for solving the inverse problem by characterizing the attributes of a signal as a continuous function of corresponding coordinates in an unsupervised manner. In this work, we proposed an INR-based method to improve dynamic MRI reconstruction from highly undersampled k-space data, which only takes spatiotemporal coordinates as inputs. Specifically, the proposed INR represents the dynamic MRI images as an implicit function and encodes them into neural networks. The weights of the network are learned from sparsely-acquired (k, t)-space data itself only, without external training datasets or prior images. Benefiting from the strong implicit continuity regularization of INR together with explicit regularization for low-rankness and sparsity, our proposed method outperforms the compared scan-specific methods at various acceleration factors. E.g., experiments on retrospective cardiac cine datasets show an improvement of 5.5 ~ 7.1 dB in PSNR for extremely high accelerations (up to 41.6-fold). The high-quality and inner continuity of the images provided by INR has great potential to further improve the spatiotemporal resolution of dynamic MRI, without the need of any training data.

研究动机与目标

• 解决监督深度学习在动态MRI中因依赖大规模高质量真实值数据集而产生的泛化能力局限。
• 克服动态MRI中数据稀缺与采集约束问题，尤其针对DCE-MRI中真实值不可用的情况。
• 开发一种无需训练的无监督重建方法，利用隐式神经表示从高度欠采样的k空间数据中恢复高质量图像。
• 在无需外部先验或先验图像的情况下，保持动态MRI序列中的运动保真度与时间连续性。
• 通过利用学习到的INR函数的内在连续性，实现时间超分辨率，支持在更高时间采样率下进行插值。

提出的方法

• 将动态MRI表示为一个连续隐式函数，将时空坐标（k, t）映射到图像强度，使用多层感知机（MLP）实现。
• 仅使用获取的欠采样k空间数据进行INR训练，通过可微分损失函数强制执行数据一致性。
• 引入显式正则化以促进低秩结构（核范数）与稀疏性（L1范数），提升时间与空间一致性。
• 使用梯度下降优化INR参数，无需外部训练数据或预训练模型。
• 通过哈希网格实现分层特征表示，以提高训练效率与表示质量。
• 通过在更密集的时间坐标上查询优化后的INR，实现时间超分辨率，生成插值帧而无需额外训练。

实验结果

研究问题

• RQ1 隐式神经表示是否能在无需任何外部训练数据或真实值图像的情况下，重建高度欠采样的动态MRI序列？
• RQ2 在极端加速因子下，INR的内在连续性在多大程度上能保持动态MRI中的运动保真度与时间动态特性？
• RQ3 所学习的INR在多大程度上可支持超过原始采集率的时间超分辨率？
• RQ4 与最先进的压缩感知（CS）方法及无监督深度学习方法相比，该方法在重建质量与鲁棒性方面表现如何？
• RQ5 显式低秩与稀疏性正则化对基于INR的动态MRI重建性能有何影响？

主要发现

• 在回顾性心脏电影数据集上，该方法在41.6倍加速下相比基线方法实现了5.5–7.1 dB的PSNR提升。
• 该方法在伪影抑制与结构保持方面优于传统CS方法（如L+S与GRASP），尤其在超高速度加速条件下表现更优。
• 基于INR的重建展现出强内部连续性，支持高质量时间超分辨率，实现4倍插值，经与线性插值的视觉与定量对比验证。
• 重建图像保持了高时间保真度，帧间运动过渡平滑，尤其在心腔动态中表现明显。
• 该方法完全无监督，无需任何训练数据或先验图像，展示了在不同加速率下的强大泛化能力。
• 时间超分辨率能力无需额外训练或建模，仅通过在更密集的时间坐标上查询优化后的INR即可实现，显著降低部署复杂度。