[论文解读] DeepcomplexMRI: Exploiting deep residual network for fast parallel MR imaging with complex convolution

Shanshan Wang, Huitao Cheng+6 more|arXiv (Cornell University)|Jun 11, 2019

Advanced MRI Techniques and Applications参考文献 52被引用 17

一句话总结

DeepcomplexMRI 提出了一种带有复值卷积的深度残差卷积神经网络，通过利用多通道 k 空间数据并强制网络层间的数据一致性，以加速并行 MRI 重建。通过建模 MR 图像实部与虚部之间的相关性，该方法在活体数据集上实现了优于最先进方法的图像质量。

ABSTRACT

This paper proposes a multi-channel image reconstruction method, named DeepcomplexMRI, to accelerate parallel MR imaging with residual complex convolutional neural network. Different from most existing works which rely on the utilization of the coil sensitivities or prior information of predefined transforms, DeepcomplexMRI takes advantage of the availability of a large number of existing multi-channel groudtruth images and uses them as labeled data to train the deep residual convolutional neural network offline. In particular, a complex convolutional network is proposed to take into account the correlation between the real and imaginary parts of MR images. In addition, the k space data consistency is further enforced repeatedly in between layers of the network. The evaluations on in vivo datasets show that the proposed method has the capability to recover the desired multi-channel images. Its comparison with state-of-the-art method also demonstrates that the proposed method can reconstruct the desired MR images more accurately.

研究动机与目标

• 通过减少扫描时间来加速并行 MRI 采集，同时保持图像质量。
• 通过复值神经网络利用 MR 图像实部与虚部之间的相关性。
• 通过在深度残差网络架构中强制执行 k 空间数据一致性，提高重建精度。
• 使用大规模多通道 MR 图像对在无需依赖线圈敏感度图或预定义变换的前提下训练深度学习模型。
• 通过端到端可训练框架实现快速 MRI 重建的最先进性能。

提出的方法

• 采用带有复值卷积的深度残差网络，以建模 MR 图像实部与虚部之间的联合关系。
• 使用大量多通道 k 空间数据对作为监督标签，端到端训练网络。
• 通过将重建图像投影回 k 空间域，在网络层之间迭代强制执行数据一致性。
• 使用复值滤波器以在整个网络中保持相位和幅度信息，提升表征保真度。
• 通过交替使用复值卷积层和数据一致性层，逐步优化重建结果。
• 该方法无需依赖线圈敏感度或小波、傅里叶等变换域的先验知识。

实验结果

研究问题

• RQ1 带有复值卷积的深度残差网络能否有效从欠采样的 k 空间数据中重建多通道 MR 图像？
• RQ2 在神经网络层内强制执行 k 空间数据一致性如何影响重建精度和图像质量？
• RQ3 数据驱动方法在多大程度上能超越依赖线圈敏感度图或变换域先验的传统方法？
• RQ4 对 MR 图像实部与虚部之间相关性的建模是否能带来优于实值网络的重建效果？
• RQ5 在定量指标和视觉质量方面，该方法与最先进深度学习方法相比表现如何？

主要发现

• 所提出的 DeepcomplexMRI 方法在活体 MRI 数据集上实现了优于最先进方法的重建精度。
• 使用复值卷积显著提升了图像质量，通过在全网络中保持相位与幅度关系。
• 在残差网络中迭代强制执行 k 空间数据一致性，带来更好的收敛性和更少的伪影。
• 该方法在定量指标和视觉评估中均优于实值网络，证明了复值学习的重要性。
• 该模型在不同解剖区域和加速因子下均表现出良好的泛化能力，无需重新训练。
• 该方法在不依赖线圈敏感度图或预定义变换先验的前提下实现了卓越性能，完全依赖大规模标注数据。