[论文解读] An Adaptive Intelligence Algorithm for Undersampled Knee MRI Reconstruction: Application to the 2019 fastMRI Challenge

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

Advanced MRI Techniques and Applications参考文献 43被引用 13

一句话总结

本文提出一种自适应智能算法，将深度学习与压缩感知原理相结合，以重建欠采样的膝关节MRI数据。通过利用2019年fastMRI挑战赛数据集上训练的领域感知神经网络，对先验重建假设进行优化，该方法在8倍、4倍多coil及4倍单coil重建任务中均取得最先进性能，分别获得第1名（并列第1名）和第3名的成绩。

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

• 通过实现从高度欠采样的k空间数据中高质量重建，加速磁共振成像。
• 将领域特定知识整合到深度学习模型中，以提升重建保真度与泛化能力。
• 开发一种基于迭代学习的重建框架，利用训练数据不断优化初始假设。
• 通过自适应智能方法应对欠采样MRI中训练数据有限和噪声干扰的挑战。
• 在基准数据集上实现卓越性能，尤其在高加速场景下表现优异。

提出的方法

• 该方法采用受压缩感知理论启发的迭代学习重建方案，用于从欠采样的k空间数据中重建图像。
• 利用深度神经网络基于训练数据，对初始重建假设进行优化与校正，融入领域知识。
• 网络在由Facebook AI Research与纽约大学朗格尼健康中心联合组织的2019年fastMRI挑战赛提供的膝关节MRI数据集上进行训练。
• 该框架设计用于处理多coil与单coil采集数据，具备在临床环境中广泛适用的潜力。
• 通过端到端训练最小化预测图像与真实图像之间的差异，以优化重建质量。
• 该方法通过根据输入k空间模式动态调整网络行为，自适应应对不同的加速因子（如4倍、8倍）。

实验结果

研究问题

• RQ1 自适应智能能否通过整合领域特定知识，提升基于深度学习的MRI重建性能？
• RQ2 与现有最先进方法相比，该方法在高加速因子（如8倍）下的表现如何？
• RQ3 网络在优化先验假设方面的能力，能在多大程度上提升对欠采样数据的重建精度？
• RQ4 该方法在不同线圈配置（单coil与多coil）及不同加速水平下的泛化能力如何？
• RQ5 该方法能否在独立测试数据上实现顶级性能，而不会对训练分布产生过拟合？

主要发现

• 该方法在8倍加速的多coil任务中排名第一，最终评估中获得第1名。
• 在4倍加速的多coil任务中与另一方法并列第1名，表明其在高加速场景下表现强劲。
• 在4倍加速的单coil任务中排名第三，表明其在不同采集协议下均保持一致的高性能表现。
• 结果证实，将领域知识融入深度学习可显著提升重建质量与鲁棒性。
• 在定量相似性指标与放射科医生评估中，该方法均优于其他参赛方案。
• 该框架在多种k空间采样模式与线圈配置下均展现出广泛适用性。