[论文解读] Adaptive-CS-Net: FastMRI with Adaptive Intelligence

Nicola Pezzotti, Elwin de Weerdt+10 more|arXiv (Cornell University)|Dec 13, 2019

Sparse and Compressive Sensing Techniques参考文献 7被引用 17

一句话总结

Adaptive-CS-Net 提出了一种基于深度学习的磁共振成像重建方法，通过使用 U-Net 结构的神经网络，将领域特定先验知识（如数据一致性、相位行为和背景解剖结构）整合到迭代压缩感知框架中。通过在每一步使用可学习的自适应组件对重建结果进行优化，该方法实现了最先进性能，在 FastMRI 挑战赛的多线圈 8 倍加速赛道中夺冠。

ABSTRACT

Adaptive intelligence aims at empowering machine learning techniques with the extensive use of domain knowledge. In this work, we present the application of adaptive intelligence to accelerate MR acquisition. Starting from undersampled k-space data, an iterative learning-based reconstruction scheme inspired by compressed sensing theory is used to reconstruct the images. We adopt deep neural networks to refine and correct prior reconstruction assumptions given the training data. Our results show that an adaptive intelligence approach performs better than traditional methods as well as deep learning methods that do not take prior knowledge into account.

研究动机与目标

• 通过将领域特定先验知识整合到深度学习模型中，提升磁共振成像重建的速度与质量。
• 解决传统压缩感知方法和标准深度学习方法缺乏对物理磁共振成像先验显式建模的局限性。
• 开发一种自适应的迭代重建框架，利用学习到的先验知识动态校正重建误差。
• 在保持图像结构和对比度保真度的前提下，实现高达 10 倍的加速因子。
• 在真实临床磁共振成像数据上展示优越性能，特别是在高加速挑战性场景中。

提出的方法

• 该方法采用受压缩感知启发的迭代学习型重建方法，每一步均由 U-Net 结构的深度神经网络进行优化。
• 在每一轮迭代中，网络对特征图应用可学习的软阈值函数，实现对重建误差的自适应校正。
• 网络的输入包括当前的图像估计值以及领域特定的先验信息：数据一致性（eb,k）、相位行为（eϕ,k）和背景位置（ebg,k）。
• 采用 2.5D 学习策略，同时重建目标切片及其邻近切片，以利用切片间的相关性。
• 损失函数结合多尺度 SSIM（α=0.84）与 L1 范数，以保留结构细节和亮度信息，监督仅施加于中心切片。
• 使用 RAdam 优化器进行模型训练，学习率呈衰减趋势，初始值为 10−4，批量大小为 6，训练在两块 RTX 8000 GPU 上进行。

实验结果

研究问题

• RQ1 显式整合数据一致性与相位行为等领域特定先验知识，是否能提升基于深度学习的磁共振成像重建性能？
• RQ2 利用学习到的先验知识进行自适应迭代优化，相较于标准端到端深度学习方法，在高加速磁共振成像中表现如何？
• RQ3 通过 2.5D 学习方法引入切片间相关性，在高加速因子下对重建质量的提升程度如何？
• RQ4 具有结构化先验知识的可学习迭代框架，是否能超越传统压缩感知方法和非自适应深度学习方法？
• RQ5 结合多尺度 SSIM 与 L1 损失对重建图像中结构和强度保真度的保留效果如何？

主要发现

• Adaptive-CS-Net 在 FastMRI 挑战赛的多线圈 8 倍加速赛道中表现最佳，优于所有其他方法。
• 该模型在单线圈和多线圈数据集上均进行了训练与测试，加速因子范围为 2x 至 10x，展现出在不同尺度下的鲁棒性。
• 利用领域先验知识——包括数据一致性、相位行为和背景位置——实现了自校正机制，显著提升了重建精度。
• 2.5D 学习方法有效利用了切片间的相关性，在不增加每切片计算成本的前提下提升了重建质量。
• 多尺度 SSIM 与 L1 损失的组合（α=0.84）有效保留了结构细节和亮度信息，减少了重建图像中的均匀性偏差。
• 该模型在 8 倍和 10 倍加速条件下均实现了高质量重建，证实了其在实现超快速磁共振成像并保持诊断级图像质量方面的潜力。