[论文解读] Data consistency networks for (calibration-less) accelerated parallel MR image reconstruction

Jo Schlemper, Jinming Duan+5 more|arXiv (Cornell University)|Sep 25, 2019

Medical Imaging Techniques and Applications被引用 5

一句话总结

本文提出两种基于深度学习的MRI重建网络——D-POCSENSE和DC-CNN，通过在深度级联CNN中引入数据一致性层，实现加速的并行MRI重建。D-POCSENSE利用线圈敏感度图提升图像质量，而DC-CNN为无校准方法，联合处理多线圈数据；两者在加速因子为4和6的公开膝关节数据集上均实现了PSNR和SSIM的最先进性能。

ABSTRACT

We present simple reconstruction networks for multi-coil data by extending deep cascade of CNN's and exploiting the data consistency layer. In particular, we propose two variants, where one is inspired by POCSENSE and the other is calibration-less. We show that the proposed approaches are competitive relative to the state of the art both quantitatively and qualitatively.

研究动机与目标

• 解决加速并行MRI重建的挑战，同时避免依赖校准的方法。
• 利用深度学习结合数据一致性约束，在高度欠采样的k空间数据中提升图像质量。
• 开发一种无校准的替代方法，以替代现有基于敏感度的P-POCSENSE等方法，提升临床实用性。
• 与最先进方法（如变分网络和ℓ₁-SPIRiT）相比，实现具有竞争力的性能。
• 在多种扫描协议（T2、PD、脂肪抑制）和加速因子（4、6）下验证方法的泛化能力。

提出的方法

• 通过在去噪子网络中穿插数据一致性层，实现k空间更新，扩展深度级联CNN（DC-CNN）结构。
• 提出D-POCSENSE：采用敏感度加权的图像输入，并通过可学习的λ平衡项实现逐线圈的k空间更新，引入数据一致性。
• 实现DC-CNN：将所有线圈图像沿通道轴堆叠，联合处理，并对每个线圈独立应用数据一致性。
• 在数据一致性层中引入可学习的λ，以适应不同噪声水平，提升鲁棒性。
• 使用ℓ₂损失（D-POCSENSE）和加权ℓ₂损失（DC-CNN）进行训练，采用Adam优化器，训练200个周期。
• 采用24条中心k空间线作为校准区域，实施笛卡尔欠采样，加速因子为AF=4和6。

实验结果

研究问题

• RQ1 基于数据一致性层的深度级联网络是否能在加速并行MRI重建中超越现有最先进方法？
• RQ2 在网络结构中引入线圈敏感度图（D-POCSENSE）是否能相比无校准方法（DC-CNN）获得更优的重建质量？
• RQ3 无校准方法（DC-CNN）是否能在无需敏感度图或校准数据的情况下实现具有竞争力的性能？
• RQ4 在不同MRI扫描协议和加速因子下，所提方法在PSNR和SSIM指标上的表现如何？
• RQ5 更长的训练时间是否能提升D-POCSENSE和DC-CNN的性能，特别是减少残留伪影？

主要发现

• 在AF=4的冠状位T2脂肪抑制成像中，D-POCSENSE的PSNR为36.03 ± 10.26，SSIM为0.90 ± 0.24，优于ℓ₁-SPIRiT，且与变分网络性能相当。
• 在AF=6的冠状位T2脂肪抑制成像中，D-POCSENSE的PSNR为31.83 ± 8.79，SSIM为0.87 ± 0.25，优于ℓ₁-SPIRiT，且与变分网络表现相当。
• DC-CNN在AF=4的冠状位T2脂肪抑制成像中，PSNR为35.45 ± 8.63，SSIM为0.91 ± 0.19，尽管为无校准方法，仍表现出强劲性能。
• 在矢状位PD成像中，D-POCSENSE在AF=4时PSNR为36.94 ± 1.24，SSIM为0.98 ± 0.00，与变分网络性能相当。
• 在AF=6时，变分网络在冠状位T2脂肪抑制成像中达到最高PSNR（32.39 ± 9.94），但D-POCSENSE和DC-CNN表现依然具有竞争力，且方差更低。
• 视觉结果表明，D-POCSENSE生成的图像最为均匀，伪影最少；而DC-CNN和变分网络在AF=6时仍存在残留伪影。