[论文解读] Diffusion Modeling with Domain-conditioned Prior Guidance for Accelerated MRI and qMRI Reconstruction

Wanyu Bian, Albert Jang+1 more|arXiv (Cornell University)|Sep 2, 2023

Advanced MRI Techniques and ApplicationsMedicine被引用 3

一句话总结

本文提出领域条件扩散模型——用于加速MRI的静态DiMo（Static DiMo）和用于定量MRI的定量DiMo（Quantitative DiMo）——分别在k空间和参数域中直接应用扩散过程，并结合基于物理的先验知识与梯度引导去噪。该方法在高加速因子下实现了最先进的重建精度与鲁棒性，优于现有的深度学习与基于优化的方法，在静态与定量MRI中均表现更优。

ABSTRACT

This study introduces a novel approach for image reconstruction based on a diffusion model conditioned on the native data domain. Our method is applied to multi-coil MRI and quantitative MRI reconstruction, leveraging the domain-conditioned diffusion model within the frequency and parameter domains. The prior MRI physics are used as embeddings in the diffusion model, enforcing data consistency to guide the training and sampling process, characterizing MRI k-space encoding in MRI reconstruction, and leveraging MR signal modeling for qMRI reconstruction. Furthermore, a gradient descent optimization is incorporated into the diffusion steps, enhancing feature learning and improving denoising. The proposed method demonstrates a significant promise, particularly for reconstructing images at high acceleration factors. Notably, it maintains great reconstruction accuracy and efficiency for static and quantitative MRI reconstruction across diverse anatomical structures. Beyond its immediate applications, this method provides potential generalization capability, making it adaptable to inverse problems across various domains.

研究动机与目标

• 为解决现有扩散模型在MRI重建中的局限性，这些模型通常忽略物理约束，且在图像域而非原始数据域中运行。
• 通过将MRI物理特性（k空间编码与信号建模）直接嵌入扩散过程，提升在高欠采样率下的重建精度与效率。
• 将扩散建模扩展至定量MRI（qMRI），用于组织参数映射（如T₁、I₀），这是此前扩散模型未探索的领域。
• 通过在扩散采样步骤中整合梯度下降优化，增强特征学习与去噪性能。
• 开发一个统一且可泛化的框架，适用于MRI以外医学影像中的多种逆问题。

提出的方法

• 正向与反向扩散过程直接定义在k空间域中，用于静态MRI（Static DiMo），以保留MRI数据的原始频域结构。
• 对于qMRI，扩散过程基于参数域（如T₁、I₀）进行条件控制，实现从欠采样数据中重建定量图谱。
• 将MRI物理特性——特别是k空间编码与MR信号模型——作为数据一致性组件嵌入扩散过程，以确保物理合理性。
• 在每个扩散采样步骤中集成梯度下降步骤，以增强特征学习并提升去噪性能。
• 采用条件扩散模型，其中先验由源自MRI与qMRI底层物理特性的领域特定嵌入引导。
• 该框架使用完全采样数据端到端训练，但在推理阶段，可从高度欠采样的k空间数据中重建出高质量图像。

Figure 1 : Diffusion model framework for Static DiMo and Quantitative DiMo (e.g., $T_{1}$ mapping).

实验结果

研究问题

• RQ1 与图像域扩散模型相比，是否在原始数据域（k空间或参数空间）中进行扩散建模能提升加速MRI中的重建精度与鲁棒性？
• RQ2 将基于物理的先验（k空间编码与信号建模）嵌入扩散过程，如何影响重建保真度与分布偏移下的泛化能力？
• RQ3 在扩散采样步骤中整合梯度下降，是否能增强特征学习与去噪性能，同时不损害图像锐度？
• RQ4 所提出方法是否可泛化至定量MRI重建，即从欠采样数据中恢复组织参数（如T₁与I₀）？
• RQ5 在极端加速因子（如4×–6×）下，该方法表现如何，特别是在伪影抑制与边缘保持方面？

主要发现

• 在所有测试的加速因子下，Quantitative DiMo在T₁与I₀映射中均达到最低误差，误差图显示与完全采样参考图像的偏差最小。
• 在4× 2D泊松欠采样下，Quantitative DiMo生成了无伪影的T₁与I₀图谱，结构细节更优，锐度与保真度均优于RELAX、LLR与Model-TGV。
• 在6× 1D笛卡尔欠采样下，该方法仍保持高重建精度，误差与方差图显示仅在组织边界处出现增加的不确定性。
• 消融研究显示，采样实例数从10增加至100可降低方差并提升平均图像质量，证实了该方法的稳定性与不确定性量化能力。
• 在扩散步骤中集成梯度下降显著提升了去噪性能，同时保留了精细解剖细节，表现为放大区域的模糊减少与边缘更清晰。
• 该方法在多种解剖结构（包括额叶白质、豆状核与丘脑）中表现出鲁棒性，且在多个受试者与序列中保持一致性能。

Figure 2 : Network structure for $\epsilon_{\theta}(x_{t},t)$ .