[论文解读] Deep MR Fingerprinting with total-variation and low-rank subspace priors

Mohammad Golbabaee, Carolin M. Pirkl+3 more|arXiv (Cornell University)|May 16, 2019

Advanced MRI Techniques and Applications被引用 3

一句话总结

该论文提出了一种基于深度学习的磁共振指纹成像重建方法，将总变差（total-variation）和低秩子空间先验整合到加速的迭代框架中，以在将数据输入神经网络之前抑制欠采样伪影。该方法在推理过程中无需依赖字典即可抑制空间相关性伪影，从而在合成数据和在体数据上均实现了图像质量的提升。

ABSTRACT

Deep learning (DL) has recently emerged to address the heavy storage and computation requirements of the baseline dictionary-matching (DM) for Magnetic Resonance Fingerprinting (MRF) reconstruction. Fed with non-iterated back-projected images, the network is unable to fully resolve spatially-correlated corruptions caused from the undersampling artefacts. We propose an accelerated iterative reconstruction to minimize these artefacts before feeding into the network. This is done through a convex regularization that jointly promotes spatio-temporal regularities of the MRF time-series. Except for training, the rest of the parameter estimation pipeline is dictionary-free. We validate the proposed approach on synthetic and in-vivo datasets.

研究动机与目标

• 为解决字典匹配在磁共振指纹成像中因高存储和计算需求带来的局限性。
• 减少非迭代反投影方法中因欠采样导致的空间相关性伪影，从而改善图像质量。
• 开发一种加速的迭代重建方法，在深度学习推理前引入时空正则化。
• 在训练后消除参数估计流程中对字典的依赖，从而提高推理效率。
• 在合成数据和在体数据集上验证该方法的鲁棒性和临床相关性。

提出的方法

• 引入一种加速的迭代重建方法，以在深度学习推理前最小化欠采样伪影。
• 该方法采用凸正则化，联合促进磁共振指纹成像时间序列中的总变差和低秩子空间结构。
• 通过在空间和时间上联合稀疏性，强制实施动态磁共振指纹信号中的时空一致性。
• 深度学习网络在迭代重建生成的预处理图像上进行训练，避免直接暴露于原始欠采样数据。
• 训练后整个参数估计流程保持无字典状态，从而降低计算开销。
• 框架通过端到端优化，将可微分的重建模块集成到网络训练中。

实验结果

研究问题

• RQ1 结合总变差和低秩先验的迭代重建能否有效抑制磁共振指纹成像中由欠采样引起的空间相关性伪影？
• RQ2 在深度学习之前整合此类先验是否能相比非迭代反投影方法提升重建质量？
• RQ3 无字典推理流程在降低计算成本的同时，能在多大程度上保持准确性？
• RQ4 与基线字典匹配和深度学习方法相比，该方法在在体数据上的表现如何？
• RQ5 联合时空正则化是否能增强信号一致性并减少动态磁共振指纹时间序列中的噪声？

主要发现

• 所提方法显著减少了由欠采样引起的空间相关性伪影，从而提升了图像质量。
• 总变差和低秩先验的整合增强了重建的磁共振指纹时间序列在时空上的一致性。
• 当网络接收经过迭代预处理的数据时，其重建保真度优于非迭代反投影方法。
• 该方法实现了无字典的参数估计，降低了推理复杂度和存储需求。
• 在在体数据集上的验证证实了该方法的鲁棒性和临床相关性。
• 加速的迭代框架有效平衡了重建精度与计算效率。