[论文解读] Conditional WGANs with Adaptive Gradient Balancing for Sparse MRI Reconstruction

Itzik Malkiel, Sangtae Ahn+4 more|arXiv (Cornell University)|May 2, 2019

Medical Imaging Techniques and Applications参考文献 16被引用 5

一句话总结

本文提出了一种具有自适应梯度平衡的条件Wasserstein GAN（cWGAN-AGB），用于稀疏MRI重建，通过结合对抗训练、数据一致性以及密集残差连接，提升了图像质量。该方法在减少伪影的同时，实现了更清晰、更自然的重建结果，优于以往的基于GAN和非GAN的方法，尤其在保留细微解剖细节的同时，有效抑制了幻觉现象并提升了训练稳定性。

ABSTRACT

Recent sparse MRI reconstruction models have used Deep Neural Networks (DNNs) to reconstruct relatively high-quality images from highly undersampled k-space data, enabling much faster MRI scanning. However, these techniques sometimes struggle to reconstruct sharp images that preserve fine detail while maintaining a natural appearance. In this work, we enhance the image quality by using a Conditional Wasserstein Generative Adversarial Network combined with a novel Adaptive Gradient Balancing technique that stabilizes the training and minimizes the degree of artifacts, while maintaining a high-quality reconstruction that produces sharper images than other techniques.

研究动机与目标

• 解决基于深度学习的稀疏MRI重建中图像模糊和不自然外观的问题。
• 通过一种新颖的自适应梯度平衡（AGB）技术，稳定GAN在MRI重建中的训练过程。
• 通过结合条件GAN、数据一致性和密集残差连接，提升重建质量。
• 在保留细微解剖细节的同时，减少基于GAN的MRI重建中的幻觉和伪影。
• 评估弗雷chet inception距离（FID）作为MRI重建感知质量度量的有效性。

提出的方法

• 该方法采用条件Wasserstein GAN（cWGAN），其中生成器和判别器均以欠采样k空间数据和零填充图像作为条件输入。
• 提出了一种新颖的自适应梯度平衡（AGB）技术，用于动态平衡多目标损失函数，从而稳定GAN训练并减少梯度爆炸。
• 生成器采用具有20次迭代和超过60层卷积层的密集连接迭代网络（DCI-Net），实现强大的特征传播能力。
• 生成器包含数据一致性层，用于强制保证与采集到的k空间线一致，防止模型偏离实际测量数据。
• 判别器在零填充图像的条件下，评估真实（完全采样）图像对与生成（虚假）图像对之间的Wasserstein距离。
• 采用混合损失函数，结合像素级L2损失、对抗损失和感知损失，以平衡重建精度与感知真实性。

实验结果

研究问题

• RQ1 具有自适应梯度平衡的条件Wasserstein GAN能否提升稀疏MRI重建中的图像锐度并减少伪影？
• RQ2 所提出的AGB技术在收敛速度和稳定性方面与标准GAN训练相比表现如何？
• RQ3 密集残差连接和更深的网络架构在未展开的迭代MRI网络中在多大程度上提升了重建性能？
• RQ4 使用弗雷chet inception距离（FID）是否能提供可靠的MRI重建感知质量度量？
• RQ5 与基线模型相比，该方法在幻觉、信噪比（SNR）和感知质量方面表现如何？

主要发现

• cWGAN-AGB在测试集上取得了最低的FID分数（3.8）和NMSE（3.5），优于WGAN、cWGAN和基线DCI-Net。
• 采用AGB训练后，收敛速度显著提升，FID和NMSE的下降速度明显快于标准cWGAN或WGAN训练。
• 四位MRI专家的视觉评分证实，cWGAN-AGB生成的图像显著更清晰，且对细微解剖细节的保留更优。
• 尽管NMSE略高于基线模型，但cWGAN-AGB在感知质量方面表现更优，表现为更低的FID分数和专家评分中的图像锐度与整体质量评分。
• 消融实验表明，与参数量相近但结构更浅、非密集连接的网络相比，密集连接使NMSE降低了12%。
• 与其他基于GAN的模型相比，该方法产生的幻觉结构更少，归因于像素级损失、数据一致性与AGB的协同作用。