[论文解读] Deep artifact learning for compressed sensing and parallel MRI

Dongwook Lee, Jae Jun Yoo+1 more|arXiv (Cornell University)|Mar 3, 2017

Advanced MRI Techniques and Applications参考文献 22被引用 19

一句话总结

本文提出一种基于深度学习的方法，通过直接学习并消除相干伪影，实现从高度欠采样的k空间数据中快速且精确的磁共振成像（MRI）重建。采用感受野较大的多尺度U-Net网络，从欠采样数据重建的幅度和相位图像中估计伪影，实现了最先进的图像质量和重建速度——相比传统压缩感知方法快一个数量级。

ABSTRACT

Purpose: Compressed sensing MRI (CS-MRI) from single and parallel coils is one of the powerful ways to reduce the scan time of MR imaging with performance guarantee. However, the computational costs are usually expensive. This paper aims to propose a computationally fast and accurate deep learning algorithm for the reconstruction of MR images from highly down-sampled k-space data. Theory: Based on the topological analysis, we show that the data manifold of the aliasing artifact is easier to learn from a uniform subsampling pattern with additional low-frequency k-space data. Thus, we develop deep aliasing artifact learning networks for the magnitude and phase images to estimate and remove the aliasing artifacts from highly accelerated MR acquisition. Methods: The aliasing artifacts are directly estimated from the distorted magnitude and phase images reconstructed from subsampled k-space data so that we can get an aliasing-free images by subtracting the estimated aliasing artifact from corrupted inputs. Moreover, to deal with the globally distributed aliasing artifact, we develop a multi-scale deep neural network with a large receptive field. Results: The experimental results confirm that the proposed deep artifact learning network effectively estimates and removes the aliasing artifacts. Compared to existing CS methods from single and multi-coli data, the proposed network shows minimal errors by removing the coherent aliasing artifacts. Furthermore, the computational time is by order of magnitude faster. Conclusion: As the proposed deep artifact learning network immediately generates accurate reconstruction, it has great potential for clinical applications.

研究动机与目标

• 解决传统压缩感知MRI（CS-MRI）和并行成像（pMRI）重建方法的高计算成本问题。
• 克服现有CS-MRI方法在去除相干伪影方面的局限性，尤其是在均匀欠采样模式下。
• 开发一种深度学习框架，直接学习伪影模式而非无伪影图像，利用伪影流形的拓扑简单性。
• 通过显著缩短重建时间，实现与迭代CS方法相比的实时临床MRI重建。
• 在单线圈和多线圈MRI数据上均提升性能，特别是在伪影全局分布的相位图像重建中。

提出的方法

• 提出一种深度伪影学习框架，直接从欠采样k空间数据重建的幅度和相位图像中估计伪影。
• 采用具有空洞卷积和池化层的多尺度U-Net架构，实现覆盖整个256×256输入图像的大而完整的感受野。
• 端到端训练网络以从受损输入中预测伪影，然后减去伪影以恢复无伪影图像。
• 引入额外的低频ACS（自校准信号）线，以简化伪影的特征流形，提升可学习性。
• 分别对幅度和相位分量应用网络，以处理其不同的伪影分布特征——幅度伪影为局部分布，相位伪影为全局分布。
• 利用拓扑数据分析（持久同调）证明：在均匀欠采样模式下加入ACS线可产生更简单、更规则的伪影流形，从而有利于深度学习。

实验结果

研究问题

• RQ1 深度学习能否在传统CS方法失效的情况下，有效估计并去除高度加速MRI中的相干伪影？
• RQ2 在均匀欠采样模式下加入ACS线时，伪影流形的拓扑简单性是否能提升深度神经网络的可学习性？
• RQ3 具有大感受野的多尺度网络架构与单尺度网络相比，在重建具有全局分布伪影的MRI时表现如何？
• RQ4 所提方法能否在实现高重建精度的同时，显著快于传统迭代CS-MRI方法？
• RQ5 深度伪影学习方法在单线圈和多线圈MRI数据中均有效，特别是在伪影空间相干的相位重建中表现如何？

主要发现

• 所提出的深度伪影学习网络通过有效去除相干伪影，实现了最小的重建误差，优于现有的CS和并行成像方法。
• 具有大感受野的多尺度U-Net在重建中表现更优，尤其在伪影全局分布的相位重建中。
• 单尺度网络无法捕捉全局伪影模式，导致误差更高——尤其在相位图像中——而多尺度网络显著降低了误差率。
• 与传统迭代CS-MRI方法相比，重建时间缩短了一个数量级，实现了近实时的临床应用。
• 在采样模式中引入ACS线简化了伪影的特征流形，使其更易学习，从而整体提升了网络性能。
• 该方法在单线圈和多线圈MRI数据中均表现出强泛化能力，在强加速因子下仍保持高精度。