[论文解读] Compressed Sensing: From Research to Clinical Practice with Data-Driven Learning

Joseph Y. Cheng, Feiyu Chen+4 more|arXiv (Cornell University)|Mar 19, 2019

Advanced MRI Techniques and Applications参考文献 30被引用 8

一句话总结

本文提出一种数据驱动的深度学习框架，通过端到端训练将手工设计的先验替换为学习到的先验，以克服压缩感知磁共振成像（MRI）中的关键临床障碍，如手动参数调优、图像伪影和长时间重建。该方法在无需手动调优的情况下实现了高采样加速因子（例如15×），并获得诊断级图像质量，从而实现更快、更可靠的临床扫描。

ABSTRACT

Compressed sensing in MRI enables high subsampling factors while maintaining diagnostic image quality. This technique enables shortened scan durations and/or improved image resolution. Further, compressed sensing can increase the diagnostic information and value from each scan performed. Overall, compressed sensing has significant clinical impact in improving the diagnostic quality and patient experience for imaging exams. However, a number of challenges exist when moving compressed sensing from research to the clinic. These challenges include hand-crafted image priors, sensitive tuning parameters, and long reconstruction times. Data-driven learning provides a solution to address these challenges. As a result, compressed sensing can have greater clinical impact. In this tutorial, we will review the compressed sensing formulation and outline steps needed to transform this formulation to a deep learning framework. Supplementary open source code in python will be used to demonstrate this approach with open databases. Further, we will discuss considerations in applying data-driven compressed sensing in the clinical setting.

研究动机与目标

• 通过克服参数敏感性和重建时间等挑战，弥合压缩感知在MRI中临床转化的差距。
• 通过深度学习将手工设计的图像先验（例如小波变换、总变差）替换为学习到的先验，以提升图像质量和鲁棒性。
• 开发一种数据驱动的框架，实现压缩感知重建的端到端训练，降低对专家调优的依赖。
• 通过提升泛化能力、可靠性和可解释性，确保深度学习重建在临床上的可行性。
• 建立指标和评估协议，以在真实临床环境中验证性能，包括未见的病理类型和多样的扫描对比度。

提出的方法

• 将压缩感知建模为深度学习问题，采用变分网络（VN），其中重建网络从数据中学习邻近算子。
• 在网络架构中集成数据一致性层，以确保对欠采样k空间数据的保真度，保证物理合理性。
• 使用完全采样的参考图像作为真实标签，对网络进行端到端训练，实现最优正则化参数的自动学习，无需手动调参。
• 利用开源代码和公共数据库（例如fastMRI）展示该框架，促进可复现性及临床应用。
• 采用MSE、PSNR和NRMSE等损失函数优化训练，重点关注保留细微解剖结构并避免产生伪影纹理。
• 探索小网络架构和无监督预训练等策略以应对数据稀缺问题，提升在有限训练数据下的泛化能力。

实验结果

研究问题

• RQ1 数据驱动的深度学习能否消除压缩感知MRI中正则化参数的手动调优需求？
• RQ2 与传统手工设计的先验（如小波变换、总变差）相比，深度神经网络中的学习先验在图像质量和伪影抑制方面表现如何？
• RQ3 基于深度学习的重建框架在不同解剖结构、扫描对比度和未见病理类型上的泛化能力有多强？
• RQ4 评估学习重建在临床可靠性与诊断保真度方面，哪些指标和评估协议最为有效？
• RQ5 与传统的两阶段方法相比，重建网络的端到端训练是否能提升诊断性能？

主要发现

• 采用变分网络的数据驱动方法成功消除了正则化参数λ的手动调优，实现了在多种扫描中一致的图像质量，且无需用户干预。
• 使用学习先验的重建结果在保留细微解剖结构方面优于传统压缩感知方法（如L1-ESPIRiT），并有效减少了过度平滑或人工纹理伪影。
• 在保持诊断级图像质量的前提下，实现了高采样加速因子（例如4D血流MRI达15×），使复杂检查的临床可行扫描时间缩短至5–15分钟。
• 通过紧凑的网络设计和无监督预训练，该框架在数据稀缺条件下表现出强鲁棒性，即使在完全采样训练数据有限的情况下也能实现有效学习。
• 标准影像指标（如PSNR、NRMSE）证实了重建精度的提升，但作者强调应辅以任务特定指标以实现临床验证。
• 该方法有望通过将扫描时间缩短至15分钟以内，消除儿科影像中的麻醉需求，显著提升患者安全性和工作流效率。