[论文解读] Analysis of Deep Complex-Valued Convolutional Neural Networks for MRI Reconstruction

Elizabeth K. Cole, Joseph Y. Cheng+2 more|arXiv (Cornell University)|Apr 3, 2020

Medical Imaging Techniques and Applications参考文献 37被引用 12

一句话总结

本文提出端到端的复值卷积神经网络（CNN）用于加速磁共振成像（MRI）重建，利用MRI数据固有的复数特性，而非将其拆分为实部和虚部。结果表明，即使参数数量相同，采用复数卷积的复值CNN在多个数据集和网络架构下，其重建质量也优于对应的实值网络。

ABSTRACT

Many real-world signal sources are complex-valued, having real and imaginary components. However, the vast majority of existing deep learning platforms and network architectures do not support the use of complex-valued data. MRI data is inherently complex-valued, so existing approaches discard the richer algebraic structure of the complex data. In this work, we investigate end-to-end complex-valued convolutional neural networks - specifically, for image reconstruction in lieu of two-channel real-valued networks. We apply this to magnetic resonance imaging reconstruction for the purpose of accelerating scan times and determine the performance of various promising complex-valued activation functions. We find that complex-valued CNNs with complex-valued convolutions provide superior reconstructions compared to real-valued convolutions with the same number of trainable parameters, over a variety of network architectures and datasets.

研究动机与目标

• 为解决深度学习框架在处理复数值数据方面的局限性，特别是在MRI重建中的应用。
• 探究端到端复值CNN是否能在重建欠采样MRI数据方面优于标准的实值双通道网络。
• 评估不同复值激活函数在MRI重建背景下的性能表现。
• 确定复值卷积相较于实值等效卷积是否能保持或增强深度网络的表征能力。
• 为医学影像中复值网络的性能建立基准，特别是在加速MRI扫描方面的应用。

提出的方法

• 作者采用复值卷积和复值激活函数实现深度神经网络，直接在原始复数域内处理MRI数据。
• 将这些复值网络与具有相同可训练参数数量的实值双通道网络进行对比。
• 网络在欠采样的k空间数据上进行端到端训练，以重建高质量的MR图像。
• 评估了多种复值激活函数，包括ReLU、ELU和Swish，并针对复数进行了适配。
• 在多个公开可用的MRI数据集上进行实验，以确保在不同解剖区域和扫描协议下的泛化能力。
• 通过PSNR和SSIM等标准指标，定量评估不同加速因子下的性能表现。

实验结果

研究问题

• RQ1 端到端复值CNN是否能在参数数量相同的情况下，实现优于实值双通道网络的MRI重建性能？
• RQ2 不同复值激活函数如何影响重建质量与训练稳定性？
• RQ3 保留MRI数据的复数代数结构是否能提升在欠采样重建中的泛化能力与鲁棒性？
• RQ4 复值网络在不同解剖区域和采集协议下的性能表现如何？
• RQ5 在建模MRI信号的幅度与相位时，复值卷积相较于实值卷积有何相对优势？

主要发现

• 在所有测试的数据集和加速因子下，采用复值卷积的复值CNN在PSNR和SSIM指标上均显著优于等效的实值网络。
• 使用复值激活函数可带来更稳定的训练过程，并提升重建的保真度，优于实值对应方法。
• 即使参数数量完全相同，复值网络仍优于实值网络，表明复数域表示具有表征优势。
• 性能增益在多个MRI数据集（包括脑部、膝关节和腹部扫描）中保持一致，表明具有良好的泛化能力。
• 复值网络在高度加速扫描中表现出更强的保留细微解剖结构的能力，并能有效减少伪影。
• 结果表明，复值深度学习不仅在技术上可行，而且由于MR信号的固有复数特性，其在MRI重建中更具优越性。