[论文解读] Adaptive Diffusion Priors for Accelerated MRI Reconstruction

Alper Güngör, Salman Ul Hassan Dar+5 more|arXiv (Cornell University)|Jul 12, 2022

Radiomics and Machine Learning in Medical Imaging被引用 21

一句话总结

AdaDiff 引入了用于 MRI 重建的自适应扩散先验，能够使用大步长进行快速扩散，并实现针对个体的先验自适应，以在域迁移情形下改善重建。

ABSTRACT

Deep MRI reconstruction is commonly performed with conditional models that de-alias undersampled acquisitions to recover images consistent with fully-sampled data. Since conditional models are trained with knowledge of the imaging operator, they can show poor generalization across variable operators. Unconditional models instead learn generative image priors decoupled from the operator to improve reliability against domain shifts related to the imaging operator. Recent diffusion models are particularly promising given their high sample fidelity. Nevertheless, inference with a static image prior can perform suboptimally. Here we propose the first adaptive diffusion prior for MRI reconstruction, AdaDiff, to improve performance and reliability against domain shifts. AdaDiff leverages an efficient diffusion prior trained via adversarial mapping over large reverse diffusion steps. A two-phase reconstruction is executed following training: a rapid-diffusion phase that produces an initial reconstruction with the trained prior, and an adaptation phase that further refines the result by updating the prior to minimize data-consistency loss. Demonstrations on multi-contrast brain MRI clearly indicate that AdaDiff outperforms competing conditional and unconditional methods under domain shifts, and achieves superior or on par within-domain performance.

研究动机与目标

• 推动在不同成像算子下也具备泛化能力的鲁棒 MRI 重建。
• 开发一个与算子解耦的无条件扩散先验框架，以提高对域移位的鲁棒性。
• 通过对抗映射使用大步长的反向扩散步骤来创建高效的扩散过程，以实现更快的推理。
• 在推理阶段实现个体特定的先验自适应，以细化重建。
• 在多对比度的脑 MRI 上展示跨域与域内性能。

提出的方法

• 提出 AdaDiff，一种通过对抗映射训练的无条件扩散先验，用于快速大步长扩散。
• 采用两阶段重建：快速扩散阶段用于初步重建，随后进行先验自适应阶段以最小化数据一致性损失。
• 实现具有大步长 k 的快速扩散以及生成器 G_thetaG 与判别器 D_thetaD，以在不假设正态分布的情况下建模逆扩散。
• 定义一个数据一致性损失，将合成的 k-空间数据与获取的测量进行比较，并更新生成器以最小化该损失（公式 Eq. 45）。
• 在训练期间，采用带对抗映射的扩散目标，以隐式捕获 q(x_t|x_{t+k})，并推导出准闭式表达（公式 Eq. 14-18）。
• 通过在快速扩散中交错数据一致性投影与逆扩散步骤来重建，然后通过先验自适应进行细化。

实验结果

研究问题

• RQ1 在不同成像算子下，无条件的基于扩散的先验是否能提供可靠的 MRI 重建？
• RQ2 在测试时自适应扩散先验是否能在不重新训练的情况下改善域移位的重建质量？
• RQ3 在对抗映射引导下，使用大步长的快速扩散是否能达到甚至超过传统需要多步的扩散的性能？
• RQ4 在域内和跨域条件下，AdaDiff 在多对比脑 MRI 上的表现如何？
• RQ5 快速扩散加先验自适应相对于条件模型在对域移位的鲁棒性方面的相对收益是什么？

主要发现

• 在域移位下，AdaDiff 的表现优于竞争的条件方法和无条件方法。
• 在域内、算子与分布匹配时，AdaDiff 实现优于或相当的性能。
• 两阶段方法（快速扩散 + 先验自适应）通过使先验与测试数据对齐来提升重建质量。
• 对抗扩散先验实现了在保持重建质量的同时使用较大反向步长的高效采样。
• 先验自适应通过最小化个体数据的一致性损失来细化扩散先验。