[论文解读] Deep Learning for Retrospective Motion Correction in MRI: A Comprehensive Review

Veronika Spieker, Hannah Eichhorn+5 more|arXiv (Cornell University)|May 11, 2023

Advanced MRI Techniques and Applications被引用 8

一句话总结

对 MRI 中基于学习的回顾性运动校正（MoCo）方法的综合综述，详细介绍数据使用、体系结构、训练、评估和未来方向。

ABSTRACT

Motion represents one of the major challenges in magnetic resonance imaging (MRI). Since the MR signal is acquired in frequency space, any motion of the imaged object leads to complex artefacts in the reconstructed image in addition to other MR imaging artefacts. Deep learning has been frequently proposed for motion correction at several stages of the reconstruction process. The wide range of MR acquisition sequences, anatomies and pathologies of interest, and motion patterns (rigid vs. deformable and random vs. regular) makes a comprehensive solution unlikely. To facilitate the transfer of ideas between different applications, this review provides a detailed overview of proposed methods for learning-based motion correction in MRI together with their common challenges and potentials. This review identifies differences and synergies in underlying data usage, architectures, training and evaluation strategies. We critically discuss general trends and outline future directions, with the aim to enhance interaction between different application areas and research fields.

研究动机与目标

• 总结 MRI 中的运动伪影及现有的传统 MoCo 方法。
• 系统性评述跨图像基与 k 空间基策略的学习型 MoCo 方法。
• 分析该领域使用的数据可用性、运动仿真、训练目标与评估指标。
• 识别差异、协同作用、挑战和未来方向，以促进跨领域协作。

提出的方法

• 将 MoCo 方法分为图像基与 k 空间基架构进行分类。
• 讨论混合传统-学习与纯学习式重建框架。
• 描述训练目标，包括体素级、图像域、k 空间损失，以及对抗与自监督方法。
• 概述用于脑、心脏和腹部 MRI 的运动仿真策略，以实现有监督训练。
• 总结评估指标，包括全参考与无参考的图像质量度量，以及运动检测/估计指标。

实验结果

研究问题

• RQ1 MRI 中基于学习的回顾性 MoCo 的主要策略是什么（图像基 vs. k 空间基）？
• RQ2 数据使用、训练目标和评估实践在不同 MoCo 方法和解剖部位之间有何差异？
• RQ3 重建与运动校正方法之间存在哪些共同挑战与潜在协同？
• RQ4 如何进行运动仿真，它对训练与评估有何影响？
• RQ5 在该领域推动 ML 与 MRI 社区互动的方向可能有哪些？

主要发现

• 架构谱系广泛：图像基、k 空间基、带学习组件的混合模型基方法，以及端到端的纯学习型重建。
• 许多方法依赖带标 paired 的受运动损坏数据与无损数据的监督训练，但由于成对数据有限，常使用运动仿真来实现。
• 训练目标覆盖 L1/L2、SSIM、感知与对抗损失，并使用自监督与循环一致性（CycleGAN）方法处理未成对数据。
• 评估结合全参考与无参考的图像质量指标（如 SSIM、PSNR、MSE、SNR、CNR、Tenengrad），并可能包含运动检测/估计指标及下游任务性能。
• 回顾性 MoCo 可与重建（展开式网络、DC 块、运动估计）及下游任务（如分割）结合，强调跨任务收益。
• 综述突出在数据使用、架构、训练与评估方面的差异与协同，呼吁 ML 与 MRI 社区之间的更强互动。