[论文解读] Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural Network

Qing Lyu, Hongming Shan+3 more|arXiv (Cornell University)|Jun 23, 2020

Advanced Image Processing Techniques参考文献 43被引用 7

一句话总结

本文提出一种具有双ConvLSTM分支的循环神经网络，通过联合建模欠采样、运动模糊的k空间数据中的空间与时间特征，以减少电影心脏MRI中的运动伪影。该方法在SSIM和PSNR指标上实现了更优的图像质量，并支持高保真度的帧插值，提升了时间分辨率，同时实现了无需心电图门控的快速扫描，且在不同磁共振成像扫描仪上表现出更强的鲁棒性。

ABSTRACT

Cine cardiac magnetic resonance imaging (MRI) is widely used for diagnosis of cardiac diseases thanks to its ability to present cardiovascular features in excellent contrast. As compared to computed tomography (CT), MRI, however, requires a long scan time, which inevitably induces motion artifacts and causes patients' discomfort. Thus, there has been a strong clinical motivation to develop techniques to reduce both the scan time and motion artifacts. Given its successful applications in other medical imaging tasks such as MRI super-resolution and CT metal artifact reduction, deep learning is a promising approach for cardiac MRI motion artifact reduction. In this paper, we propose a recurrent neural network to simultaneously extract both spatial and temporal features from under-sampled, motion-blurred cine cardiac images for improved image quality. The experimental results demonstrate substantially improved image quality on two clinical test datasets. Also, our method enables data-driven frame interpolation at an enhanced temporal resolution. Compared with existing methods, our deep learning approach gives a superior performance in terms of structural similarity (SSIM) and peak signal-to-noise ratio (PSNR).

研究动机与目标

• 减少因扫描时间长和患者运动导致的电影心脏MRI中的运动伪影。
• 通过从欠采样、运动模糊的数据中恢复图像质量，实现无需心电图门控的快速电影心脏MRI扫描。
• 通过基于数据驱动的帧插值，利用学习到的时空动态特性，提升时间分辨率。
• 开发一种适用于不同磁共振成像扫描仪和采集协议的鲁棒方法。
• 在SSIM和PSNR指标下，优于现有的深度学习与传统方法，在图像重建质量方面表现更优。

提出的方法

• 通过混合五个相邻帧的k空间数据并应用零填充欠采样，模拟无需心电图门控的快速电影心脏MRI，生成运动模糊图像。
• 采用具有两个并行ConvLSTM分支的深度循环神经网络，处理图像序列以提取前向和后向时间特征。
• 编码器使用多尺度卷积核，通过不同感受野捕获局部与全局空间特征。
• 网络训练目标为从运动模糊输入重建无运动伪影图像，利用电影心脏MRI序列中的时空相关性。
• 该架构支持可变长度序列的推理，增强了在真实临床场景中的灵活性。
• 通过利用学习到的时间动态特性预测缺失帧，实现帧插值，从而提升有效时间分辨率。

实验结果

研究问题

• RQ1 通过同时建模空间与时间特征，深度循环网络能否有效减少电影心脏MRI中的运动伪影？
• RQ2 所提出的方法在SSIM和PSNR指标上能否优于当前最先进方法？
• RQ3 网络能否实现高保真度的帧插值，以提升电影心脏MRI的时间分辨率？
• RQ4 该方法在不同场强和采集参数的磁共振成像扫描仪上是否具备鲁棒性？
• RQ5 该方法能否实现临床可行的无需心电图门控的电影心脏MRI扫描，并获得诊断级图像质量？

主要发现

• 在ACDC和Cedars-Sinai临床数据集上，所提方法在SSIM和PSNR指标上均优于对比方法，取得最高得分。
• 采用双ConvLSTM分支与多尺度编码的网络，显著优于仅使用空间特征提取的模型，如编码器-解码器、SRGAN、DRRN和RCAN。
• 该方法成功减少了运动伪影，并在运动模糊的电影心脏MRI序列中恢复了准确的心室形态。
• 实现了高保真度的帧插值，通过智能预测缺失帧，显著提升了时间分辨率。
• 模型在两种不同场强、切片厚度和空间分辨率的磁共振成像扫描仪上均表现出稳健性能。
• 结果表明，无需心电图门控的电影心脏MRI在高图像质量下具有可行性，可将临床扫描时间缩短至四分之一。