[论文解读] Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution

Aleksandr M. Belov, Joël Valentin Stadelmann+2 more|arXiv (Cornell University)|Mar 4, 2021

Advanced MRI Techniques and Applications参考文献 34被引用 9

一句话总结

本文提出一种基于深度学习的方法，通过结合极端k空间欠采样（最高达×64）与超分辨率技术，实现超快速磁共振成像。该方法在×16加速下达到最先进图像质量（MSE: 11.4×10⁻⁴，PSNR: 29.6 dB，SSIM: 0.956），并通过放射科医生用户研究验证了其诊断可行性，为外科手术和放疗计划等应用提供了潜在前景。

ABSTRACT

We went below the MRI acceleration factors (a.k.a., k-space undersampling) reported by all published papers that reference the original fastMRI challenge, and then considered powerful deep learning based image enhancement methods to compensate for the underresolved images. We thoroughly study the influence of the sampling patterns, the undersampling and the downscaling factors, as well as the recovery models on the final image quality for both the brain and the knee fastMRI benchmarks. The quality of the reconstructed images surpasses that of the other methods, yielding an MSE of 0.00114, a PSNR of 29.6 dB, and an SSIM of 0.956 at x16 acceleration factor. More extreme undersampling factors of x32 and x64 are also investigated, holding promise for certain clinical applications such as computer-assisted surgery or radiation planning. We survey 5 expert radiologists to assess 100 pairs of images and show that the recovered undersampled images statistically preserve their diagnostic value.

研究动机与目标

• 解决长期MRI扫描时间过长导致临床扫描效率低下和患者不适的问题。
• 探索超越传统加速因子（如×16、×32、×64）的极端k空间欠采样，以实现超快速成像。
• 研究基于深度学习的超分辨率是否能够从严重欠采样的k空间数据中恢复出具有诊断价值的图像质量。
• 通过专家放射科医生评估验证重建图像的临床相关性。
• 在不同采样模式和加速因子下，比较多种深度学习模型（Pix2Pix、SRGAN、U-Net）的性能。

提出的方法

• 在加速因子从×2到×64的条件下，使用放射状、螺旋形以及fastMRI启发的采样掩码实施极端k空间欠采样。
• 在fastMRI脑部和膝关节数据集上微调图像到图像翻译模型（Pix2Pix和SRGAN），以实现伪影校正和超分辨率。
• 基于VGG16特征（第31层）的感知损失，以保留重建图像中的高频细节。
• 采用U-Net与SRGAN结合的混合方法，以在高加速因子下提升重建保真度。
• 对膝关节数据应用基于直方图的强度归一化，以补偿滑膜液引起的信号强度偏移，该方法与脑部数据不同。
• 使用标准指标（MSE、PSNR、SSIM）评估模型，并开展放射科医生用户研究以评估诊断质量。

实验结果

研究问题

• RQ1 当与深度学习超分辨率结合时，极端k空间欠采样（最高达×64）对图像质量有何影响？
• RQ2 在高加速因子下，哪种采样模式（fastMRI、放射状、螺旋形）能实现最佳重建质量？
• RQ3 在不同加速因子下，不同深度学习架构（Pix2Pix、SRGAN、U-Net及其组合）的性能如何比较？
• RQ4 专家放射科医生评估下，重建图像在多大程度上保留了诊断价值？
• RQ5 基于直方图的归一化是否能提升在非均匀强度分布解剖结构（如膝关节）上的性能？

主要发现

• 在×16加速下，SRGAN+U-Net模型在fastMRI脑部数据集上实现了MSE为11.4×10⁻⁴、PSNR为29.6 dB、SSIM为0.956的性能，优于现有最先进方法。
• 放射状和螺旋形欠采样模式在高加速因子下优于原始fastMRI掩码，因其提供了更均匀的k空间覆盖。
• 在膝关节成像中，基于直方图的归一化提升了性能，在×4加速下实现了MSE为8.8×10⁻⁴、PSNR为32.8 dB、SSIM为0.943。
• 五名放射科医生参与的用户研究显示，80%的重建图像在所有诊断标准（伪影、信噪比、对比噪声比）下获得3分或4分（‘较可接受’或‘完全可接受’）。
• 在×32和×64加速下，放射科医生认为重建图像具有诊断实用性，适用于非传统应用场景，如手术规划和放疗。
• SRGAN+U-Net模型在高加速因子下优于独立的SRGAN和Pix2Pix，且SRGAN+U-Net与U-Net+SRGAN之间性能差异极小，表明在速度与质量之间可灵活选择模型架构。