[논문 리뷰] Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI

Md Hasibul Husain Hisham, Shireen Elhabian외 6명|arXiv (Cornell University)|2026. 03. 18.

Advanced Image Processing Techniques인용 수 0

한 줄 요약

이 연구는 향상된 심층 초해상(EDSR) 네트워크를 모델 기반 언롤드 재구성의 근접 연산자로 삽입하여 가속화된 3D LGE MRI에 대해 초해상화와 데이터 일관성 강화를 동시에 수행하고, 재구성 품질과 좌심방 분할을 향상시킵니다.

ABSTRACT

Accelerated 3D late gadolinium enhancement (LGE) MRI requires robust reconstruction methods to recover thin atrial structures from undersampled k-space data. While unrolled model-based networks effectively integrate physics-driven data consistency with learned priors, they operate at the acquired resolution and may fail to fully recover high-frequency detail. We propose a hybrid unrolled reconstruction framework in which an Enhanced Deep Super-Resolution (EDSR) network replaces the proximal operator within each iteration of the optimization loop, enabling joint super-resolution enhancement and data consistency enforcement. The model is trained end-to-end on retrospectively undersampled preclinical 3D LGE datasets and compared against compressed sensing, Model-Based Deep Learning (MoDL), and self-guided Deep Image Prior (DIP) baselines. Across acceleration factors, the proposed method consistently improves PSNR and SSIM over standard unrolled reconstruction and better preserves fine cardiac structures, leading to improved LA (left atrium) segmentation performance. These results demonstrate that integrating super-resolution priors directly within model-based reconstruction provides measurable gains in accelerated 3D LGE MRI.

연구 동기 및 목표

• undersampled 데이터에서 얇은 심방 구조를 회복하여 가속화된 3D LGE-MRI를 동기부여합니다.
• ED SR은 전통적 근접 연산자를 대체하는 하이브리드 언롤드 재구성을 개발합니다.
• 엔드투엔드 학습을 통해 픽셀 정확도와 다운스트림 분할 성능 모두를 개선합니다.
• CS, MoDL 및 자기 가이드 DIP 베이스라인과 비교하고 LA 분할을 통한 임상적 의의를 평가합니다.

제안 방법

• 각 언롤드 반복에서 근접 연산자를 다중 반복에 공유되는 EDSR 네트워크로 대체합니다.
• 제로필 부합 역재구성으로 초기화하고 공액gradient를 통해 데이터 일관성을 강제합니다.
• 완전 샘플링된 기준과의 L2 손실로 엔드투엔드 학습합니다.
• SENSE 인코딩이 적용된 3D 다코일 k-공간 데이터를 슬라이스 단위 2D 처리합니다.
• 추가로 베리어링 없이 U-Net 디노이저를 사용하는 베리에이션으로 포함합니다.

Figure 1: Proposed Unrolled EDSR framework. The EDSR Net serves as the learned proximal operator at each of the $N$ unrolled iterations, with weights $\phi$ shared across iterations. The initial reconstruction $\mathbf{x}^{(0)}=\mathbf{A}^{H}\mathbf{y}$ is the zero-filled adjoint, and data consisten

실험 결과

연구 질문

• RQ1 각 언롤드 반복 내에 초해상 prior를 삽입하면 데이터 적합성을 유지하면서 고주파 세부 정보를 개선할 수 있는가?
• RQ2 언롤드+EDS R이 가속화된 3D LGE MRI에서 CS, MoDL, 자기 가이드 DIP보다 PSNR/SSIM에서 더 우수한가?
• RQ3 제안한 방법이 베이스라인 대비 LA 분할 성능을 향상시키는가?

주요 결과

• 언롤드+EDSR은 가속도 인자 R=4 및 R=6에서 베이스라인보다 PSNR/SSIM이 더 높게 나타남.
• R=4에서 언롤드+EDSR은 PSNR 35.6 dB 및 SSIM 0.915를 달성하여 언롤드(35.1 dB, 0.906) 및 CS(31.6 dB, 0.865)를 능가합니다.
• R=6에서 언롤드+EDSR은 PSNR 32.9 dB 및 SSIM 0.889를 달성하여 언롤드(32.4 dB, 0.878)를 능가합니다.
• 복원된 슬라이스의 LA 분할에서 DSC가 언롤드+EDSR은 0.893, 반면 언롤드는 0.884입니다.
• 아블레이션에 따르면 9회의 언롤드 반복이 품질과 메모리의 균형에 적합하며, 이를 넘기면 수익이 감소합니다.

Figure 2: Qualitative comparison of reconstruction methods at acceleration factors $R=4$ and $R=6$ . Each column shows a representative axial slice from a preclinical subject. At $R=4$ , Unrolled+EDSR and Unrolled both recover fine cardiac structures faithfully, while Compressed Sensing introduces v