[论文解读] Deep MRI Reconstruction: Unrolled Optimization Algorithms Meet Neural Networks

Dong Liang, Jing Cheng+2 more|arXiv (Cornell University)|Jul 26, 2019

Medical Imaging Techniques and Applications参考文献 38被引用 37

一句话总结

本文综述基于深度学习的MRI重建，将方法分为数据驱动、模型驱动和综合方法，讨论网络结构、共性、挑战，以及用于最优设计与理论的方向。

ABSTRACT

Image reconstruction from undersampled k-space data has been playing an important role for fast MRI. Recently, deep learning has demonstrated tremendous success in various fields and also shown potential to significantly speed up MR reconstruction with reduced measurements. This article gives an overview of deep learning-based image reconstruction methods for MRI. Three types of deep learning-based approaches are reviewed, the data-driven, model-driven and integrated approaches. The main structure of each network in three approaches is explained and the analysis of common parts of reviewed networks and differences in-between are highlighted. Based on the review, a number of signal processing issues are discussed for maximizing the potential of deep reconstruction for fast MRI. the discussion may facilitate further development of "optimal" network and performance analysis from a theoretical point of view.

研究动机与目标

• 提供对欠采样MRI数据的基于深度学习的图像重建的概述。
• 将深度学习方法归类为数据驱动、模型驱动和综合范式，并解释它们的主要网络结构。
• 分析所评估网络中的共同组件和差异。
• 讨论用于最大化快速MRI深度重建潜力的信号处理问题，并为未来的理论分析提供指导。

提出的方法

• 回顾现有的基于深度学习的MRI重建文献。
• 解释数据驱动、模型驱动和综合方法中的主要网络结构。
• 突出各方法之间的共性与差异。
• 讨论快速MRI重建的信号处理考虑因素与实际挑战。
• 概述设计更优网络和支持理论性能分析的方向。

实验结果

研究问题

• RQ1 用于MRI重建的主要深度学习范式（数据驱动、模型驱动、综合）有哪些，它们之间有何不同？
• RQ2 在这些方法中，典型的网络架构和组成部分有哪些？
• RQ3 哪些信号处理问题会阻碍或促成基于深度重建的快速MRI，它们如何得到解决？
• RQ4 如何引导网络设计以实现最优性能，以及哪些理论分析是可行的？

主要发现

• 本文将基于深度学习的MRI重建分为数据驱动、模型驱动和综合方法。
• 它解释了典型的网络结构并强调各方法之间的共用组件。
• 它分析了所评估网络的相似性与差异。
• 它讨论了信号处理挑战以及最大化快速MRI重建潜力的机会。
• 它提出在设计最优网络和追求性能理论理解方面的方向。