[论文解读] An Adaptive Intelligence Algorithm for Undersampled Knee MRI Reconstruction

Nicola Pezzotti, Sahar Yousefi+10 more|arXiv (Cornell University)|Apr 15, 2020

Advanced MRI Techniques and Applications被引用 4

一句话总结

该论文提出了一种基于深度学习的MRI重建方法——Adaptive-CS-Net，该方法将压缩感知原理与多尺度、多块神经网络相结合，用于重建 undersampled（k空间中未完全采样的）膝关节MRI数据。该方法在2019年fastMRI挑战赛数据集上进行训练，取得了顶尖性能——在8倍和4倍多线圈重建任务中并列排名第一，在4倍单线圈重建任务中排名第三，展示了在不同加速水平下卓越的图像质量和鲁棒性。

ABSTRACT

Adaptive intelligence aims at empowering machine learning techniques with the additional 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. The network was trained and tested on a knee MRI dataset from the 2019 fastMRI challenge organized by Facebook AI Research and NYU Langone Health. All submissions to the challenge were initially ranked based on similarity with a known groundtruth, after which the top 4 submissions were evaluated radiologically. Our method was evaluated by the fastMRI organizers on an independent challenge dataset. It ranked #1, shared #1, and #3 on respectively the 8x accelerated multi-coil, the 4x multi-coil, and the 4x single-coil track. This demonstrates the superior performance and wide applicability of the method.

研究动机与目标

• 通过在保持诊断图像质量的前提下，重建 undersampled（k空间中未完全采样的）数据，以加速MRI扫描过程。
• 通过将深度学习与压缩感知原理相结合，解决加速MRI中出现的混叠和模糊问题。
• 在不同加速因子（4倍、8倍）和线圈配置（单线圈与多线圈）下，提升重建的准确性和鲁棒性。
• 开发一种能够从数据中学习，同时融合特定领域先验知识（如数据一致性与相位行为）的方法。
• 在2019年fastMRI挑战赛中实现最先进性能，特别是在临床相关的多线圈设置下表现优异。

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框架，利用深度神经网络对初始重建结果进行优化。
• 采用具有残差连接的多尺度、多块架构，使网络能够在多个分辨率层级上学习复杂的图像模式。
• 使用结合了平均结构相似性（MSSIM）与ℓ₁范数的损失函数进行训练，以在感知质量与稀疏性之间取得平衡。
• 采用2.5D训练方案，对三个相邻切片进行重建，仅在中间切片上计算损失，以提升特征学习能力，同时保持计算效率。
• 模型中引入了数据一致性约束和已知的相位行为作为归纳偏置，尽管这些因素对性能的提升作用有限。
• 优化过程采用RAdam优化器，因其在大规模MRI数据训练中表现出更优的收敛性与稳定性。

实验结果

研究问题

• RQ1 在未完全采样的k空间数据上进行训练的深度学习模型，是否能够超越传统压缩感知方法及现有的深度学习基线模型在MRI重建中的表现？
• RQ2 在2.5D训练方案中引入邻近切片进行特征学习，与2D或完整3D训练相比，对重建质量有何影响？
• RQ3 当将特定领域先验（如数据一致性与相位行为）整合到网络中时，其对重建性能的提升程度如何？
• RQ4 在MRI数据上，为平衡性能、内存使用与训练时间，最优的网络深度（块数）和架构是什么？
• RQ5 该模型在临床MRI环境中，对不同加速因子（4倍、8倍）和线圈配置（单线圈与多线圈）的泛化能力如何？

主要发现

• Adaptive-CS-Net在2019年fastMRI挑战赛中表现最佳，斩获8倍和4倍多线圈重建任务的并列第一（#1，shared）名次。
• 在4倍单线圈任务中，该方法排名第三，表明其在不同采集协议下具有出色的泛化能力。
• 2.5D训练方案（利用邻近切片进行特征学习，仅在中间切片上计算损失）优于传统的2D和完整3D基于损失的训练方法。
• 通过在GPU内存允许范围内使用最大数量的网络块，模型性能达到最优，且尽管训练时间较长，未观察到显著过拟合现象。
• MSSIM与ℓ₁损失的组合取得了最佳效果，优于仅使用SSIM或基于MSE的损失函数。
• 尽管引入了数据一致性与相位行为等先验知识，但其对最终性能的影响微乎其微，表明网络具备强大的从数据中自主学习的能力。