[论文解读] DIMENSION: Dynamic MR Imaging with Both K-space and Spatial Prior Knowledge Obtained via Multi-Supervised Network Training

Shanshan Wang, Ziwen Ke+5 more|arXiv (Cornell University)|Sep 30, 2018

Advanced MRI Techniques and Applications参考文献 30被引用 9

一句话总结

该论文提出DIMENSION，一种用于动态磁共振成像重建的深度学习方法，通过多监督网络训练整合了k空间和空间先验知识。通过在多级监督下联合优化频率域和空间域网络，DIMENSION在高加速因子下实现了优于最先进方法的重建精度和更快的推理速度。

ABSTRACT

Dynamic MR image reconstruction from incomplete k-space data has generated great research interest due to its capability in reducing scan time. Nevertheless, the reconstruction problem is still challenging due to its ill-posed nature. Most existing methods either suffer from long iterative reconstruction time or explore limited prior knowledge. This paper proposes a dynamic MR imaging method with both k-space and spatial prior knowledge integrated via multi-supervised network training, dubbed as DIMENSION. Specifically, the DIMENSION architecture consists of a frequential prior network for updating the k-space with its network prediction and a spatial prior network for capturing image structures and details. Furthermore, a multisupervised network training technique is developed to constrain the frequency domain information and reconstruction results at different levels. The comparisons with classical k-t FOCUSS, k-t SLR, L+S and the state-of-the-art CNN-based method on in vivo datasets show our method can achieve improved reconstruction results in shorter time.

研究动机与目标

• 解决从高度欠采样的k空间数据中重建动态磁共振图像的挑战，以提高精度和速度。
• 克服传统压缩感知方法迭代过程缓慢的局限性，以及单监督深度学习模型缺乏多级监督的问题。
• 整合来自k空间（频率域）和图像（空间域）的互补先验知识，以增强重建保真度。
• 开发一种多级监督训练策略，在不同网络层级提供分层监督，以提升泛化能力与细节保留效果。

提出的方法

• 设计一种跨域网络架构，包含一个频率先验网络用于预测和更新k空间数据，以及一个空间先验网络用于重建图像细节。
• 实施一种多级监督损失函数策略，在多个层级施加监督：k空间损失用于约束预测k空间与完全采样的k空间一致，空间损失用于在不同阶段引导图像重建。
• 采用k空间损失、空间损失和类似总变差的正则化项的加权组合，通过反向传播进行优化。
• 使用配对的欠采样与完全采样动态磁共振数据集进行端到端训练，利用时间与空间冗余性。
• 采用多阶段训练协议并结合自适应损失加权，其中超参数 β₁、β₂、β₃ 通过消融实验调优，以平衡k空间与空间重建保真度。
• 基于验证性能选择最优配置（β₁=10⁻⁶, β₂=10⁻⁵, β₃=10⁻⁴），形成最终的DIMENSION-SLoss1模型。

实验结果

研究问题

• RQ1 与单域方法相比，联合优化k空间和空间域先验是否能提升动态磁共振重建的精度？
• RQ2 采用分层监督的多监督训练是否能更好地保留精细图像结构并减少伪影？
• RQ3 与迭代压缩感知方法相比，k空间与空间先验知识的融合如何影响重建速度与收敛性？
• RQ4 在动态对比增强磁共振成像中，k空间与空间域损失项的最佳平衡点在PSNR、SSIM和MSE指标上如何表现？
• RQ5 所提出方法是否能在无需微调的情况下，泛化至不同加速因子和体内数据集？

主要发现

• DIMENSION-SLoss1模型在测试集上达到PSNR 40.8160 dB和SSIM 0.9918，显著优于零填充方法（PSNR：23.6684 dB，SSIM：0.8169）及其他基线方法。
• 该方法在所有对比方法中实现了最低的MSE（0.000083），表明其具有更优的重建精度。
• 与DIMENSION-SLoss2相比，DIMENSION-SLoss1在PSNR和SSIM上表现略优，验证了其作为最终模型的合理性。
• 所提出的多监督训练策略有效减少了伪影并保留了精细解剖结构，尤其在高加速因子下表现突出。
• 该方法在推理速度上优于k-t FOCUSS和k-t SLR等迭代方法，同时保持或超越其重建质量。
• 消融实验表明，采用自适应加权（β₁=10⁻⁶, β₂=10⁻⁵, β₃=10⁻⁴）的多监督损失函数在所有指标上均取得最佳综合性能。