[论文解读] Compressed Sensing MRI Reconstruction with Cyclic Loss in Generative Adversarial Networks.

Tran Minh Quan, Thanh Nguyen-Duc+1 more|arXiv (Cornell University)|Sep 3, 2017

Advanced MRI Techniques and Applications被引用 20

一句话总结

该论文提出RefineGAN，一种结合循环损失和链式残差结构的深度生成对抗网络，用于快速、高保真度的压缩感知磁共振成像（MRI）重建。通过利用单向前馈推理和数据一致性损失，RefineGAN在10% k空间采样率下实现了亚100毫秒的重建时间，并在图像质量上优于当前最先进方法，在速度和精度方面表现更优。

ABSTRACT

Compressed Sensing MRI (CS-MRI) has provided theoretical foundations upon which the time-consuming MRI acquisition process can be accelerated. However, it primarily relies on iterative numerical solvers which still hinders their adaptation in time-critical applications. In addition, recent advances in deep neural networks have shown their potential in computer vision and image processing, but their adaptation to MRI reconstruction is still in an early stage. In this paper, we propose a novel deep learning-based generative adversarial model, RefineGAN, for fast and accurate CS-MRI reconstruction. The proposed model is a variant of fully-residual convolutional autoencoder and generative adversarial networks (GANs), specifically designed for CS-MRI formulation; it employs deeper generator and discriminator networks with cyclic data consistency loss for faithful interpolation in the given under-sampled k-space data. In addition, our solution leverages a chained network to further enhance the reconstruction quality. RefineGAN is fast and accurate -- the reconstruction process is extremely rapid, as low as tens of milliseconds for reconstruction of a 256x256 image, because it is one-way deployment on a feed-forward network, and the image quality is superior even for extremely low sampling rate (as low as 10%) due to the data-driven nature of the method. We demonstrate that RefineGAN outperforms the state-of-the-art CS-MRI methods by a large margin in terms of both running time and image quality via evaluation using several open-source MRI databases.

研究动机与目标

• 解决依赖迭代求解器的传统压缩感知MRI（CS-MRI）方法推理速度慢的问题。
• 在极低采样率（如10%）下提升CS-MRI的图像重建质量，此时传统方法已失效。
• 将深度学习与数据一致性约束相结合，以增强欠采样k空间重建的保真度。
• 开发一种适用于时间敏感临床应用的快速、单向推理框架。

提出的方法

• 提出RefineGAN，一种集成生成对抗网络（GANs）的全残差卷积自编码器，用于MRI重建。
• 采用更深的生成器和判别器网络，以提升特征表示能力和重建保真度。
• 引入循环数据一致性损失，以强制重建图像与欠采样k空间数据之间的一致性。
• 采用链式网络架构，通过多阶段特征学习逐步提升图像质量。
• 部署单向前馈推理机制，实现极快的重建速度（每张256×256图像仅需数十毫秒）。
• 利用深度学习的数据驱动特性，实现对多种MRI解剖结构和采样模式的泛化能力。

实验结果

研究问题

• RQ1 基于GAN的架构结合循环一致性损失，是否能显著提升低采样率CS-MRI中的重建精度？
• RQ2 RefineGAN的单向前馈推理与迭代求解器相比，在速度和图像质量方面表现如何？
• RQ3 与标准U-Net或自编码器设计相比，链式残差网络架构在多大程度上提升了重建保真度？
• RQ4 与现有最先进方法相比，该方法是否能在极端欠采样率（如10%）下保持卓越性能？

主要发现

• RefineGAN对256×256 MRI图像的重建时间低至数十毫秒，支持实时临床应用。
• 该方法在图像质量和计算效率两方面均显著优于当前最先进的CS-MRI技术。
• 在10%采样率下，RefineGAN仍能保持优异的结构和纹理保真度，即使在复杂解剖区域亦表现良好。
• 循环一致性损失有效强制k空间数据一致性，减少伪影并提升重建精度。
• 链式网络设计增强了特征精炼能力，从而提升感知质量和定量图像指标。
• 在开源MRI数据库上的实证评估表明，该方法在多个指标（如PSNR、SSIM）上持续优于现有方法。