[论文解读] Deep Simultaneous Optimisation of Sampling and Reconstruction for Multi-contrast MRI

Xinwen Liu, Jing Wang+4 more|arXiv (Cornell University)|Mar 31, 2021

Medical Image Segmentation Techniques参考文献 7被引用 4

一句话总结

该论文提出了一种深度学习框架 AR-net，通过利用一种对比（如 T1WI）的互补信息来联合优化多对比 MRI 的 k 空间采样模式与图像重建，从而提升另一种对比（如 T2WI）的子采样与重建性能。该方法在加速度倍数高达 10 的情况下实现了优异的图像质量，平均 PSNR >35 dB 且 SSIM >0.98，优于传统的采样模式和单对比方法。

ABSTRACT

MRI images of the same subject in different contrasts contain shared information, such as the anatomical structure. Utilizing the redundant information amongst the contrasts to sub-sample and faithfully reconstruct multi-contrast images could greatly accelerate the imaging speed, improve image quality and shorten scanning protocols. We propose an algorithm that generates the optimised sampling pattern and reconstruction scheme of one contrast (e.g. T2-weighted image) when images with different contrast (e.g. T1-weighted image) have been acquired. The proposed algorithm achieves increased PSNR and SSIM with the resulting optimal sampling pattern compared to other acquisition patterns and single contrast methods.

研究动机与目标

• 通过利用共享的解剖学信息，联合优化多对比图像的采样模式与重建，以加速 MRI 扫描。
• 解决先前方法仅关注重建而忽视最优采样模式设计的局限性。
• 通过利用互补对比信息（如 T1WI）来指导目标对比（如 T2WI）的子采样，从而提升图像质量并缩短扫描时间。
• 开发一种端到端的深度学习框架，统一学习最优采样掩码与重建模型。
• 证明联合优化采集与重建相比顺序或单对比方法能获得更优性能。

提出的方法

• 所提出的 AR-net 是一个集成网络，包含两个组件：一个学习 k 空间中优化采样模式的采集网络，以及一个基于 U-Net 的重建网络，用于图像恢复。
• 采集网络使用具有大斜率的 Sigmoid 激活函数和 ℓ₁-范数稀疏性约束，以近似离散采样，生成 k 空间采样位置的概率图。
• 通过阈值化学习到的概率图生成采样掩码，从而得到二值掩码，其中采样位置为 1，其余位置为 0。
• 重建网络（Recon-net）将零填充后的子采样 T2WI 与对应的 T1WI 在输入层进行拼接，以利用跨对比信息。
• 模型使用平均绝对误差（MAE）损失和 Adam 优化器进行训练，学习率为 0.0005，以最小化重建误差。
• 该框架在 BraTS2019 数据集的 2D 脑部 MRI 切片上进行训练，数据归一化至 [0,1]，并在未见数据上测试，子采样率最高达 10（240 根 k 空间线中采样 22 根）。

实验结果

研究问题

• RQ1 利用一种 MRI 对比（如 T1WI）的互补信息，能否改善另一种对比（如 T2WI）的采样模式优化？
• RQ2 联合优化采样模式与重建网络是否能带来优于单独优化或使用传统采样模式的图像质量？
• RQ3 在重建网络中引入多对比信息，对高加速度倍数下的性能有何影响？
• RQ4 所提出的深度学习框架能否在加速度倍数高达 10 的情况下实现高质量图像重建并保持诊断可靠性？
• RQ5 所提出方法与标准采样模式（如中心采样、等距采样、高斯采样）以及单对比重建基线相比，定量表现如何？

主要发现

• 所提方法在加速度倍数高达 10 的情况下，平均 PSNR 超过 35 dB，SSIM 超过 0.98，表明实现了高质量的图像重建。
• 所学习的采样模式在 PSNR 和 SSIM 方面显著优于传统的低分辨率、等距和高斯掩码等模式。
• 在重建过程中引入 T1WI 作为参考，相比仅使用单对比 T2WI 重建，性能得到提升，即使在高加速度倍数下亦是如此。
• 所提方法的误差图显示伪影和噪声减少，表明重建更准确且结构保留更佳。
• 通过 AR-net 联合优化采样与重建，相比顺序优化或独立重建方法，性能更优。
• 该方法在未见数据上泛化良好，在 BraTS2019 数据集的 2,165 张切片测试集中表现一致。