[论文解读] DP-MDM: Detail-Preserving MR Reconstruction via Multiple Diffusion Models

Mengxiao Geng, Jiahao Zhu+4 more|arXiv (Cornell University)|May 9, 2024

Advanced MRI Techniques and ApplicationsMedicine被引用 3

一句话总结

本文提出DP-MDM，一种新颖的MRI重建方法，通过在k空间域使用多个扩散模型来保留精细解剖细节。通过利用虚拟二值掩码、倒置金字塔结构和级联训练，该方法在临床和公开数据集上均优于当前最先进方法，实现了更优的细节恢复与重建质量。

ABSTRACT

Detail features of magnetic resonance images play a cru-cial role in accurate medical diagnosis and treatment, as they capture subtle changes that pose challenges for doc-tors when performing precise judgments. However, the widely utilized naive diffusion model has limitations, as it fails to accurately capture more intricate details. To en-hance the quality of MRI reconstruction, we propose a comprehensive detail-preserving reconstruction method using multiple diffusion models to extract structure and detail features in k-space domain instead of image do-main. Moreover, virtual binary modal masks are utilized to refine the range of values in k-space data through highly adaptive center windows, which allows the model to focus its attention more efficiently. Last but not least, an inverted pyramid structure is employed, where the top-down image information gradually decreases, ena-bling a cascade representation. The framework effective-ly represents multi-scale sampled data, taking into ac-count the sparsity of the inverted pyramid architecture, and utilizes cascade training data distribution to repre-sent multi-scale data. Through a step-by-step refinement approach, the method refines the approximation of de-tails. Finally, the proposed method was evaluated by con-ducting experiments on clinical and public datasets. The results demonstrate that the proposed method outper-forms other methods.

研究动机与目标

• 为解决朴素扩散模型在捕捉MRI中细微高频解剖细节方面的局限性。
• 通过直接在k空间域建模结构与细节特征，提升重建质量。
• 通过倒置金字塔架构与级联训练增强特征表示能力。
• 通过虚拟二值模态掩码对自适应中心窗口进行k空间数据优化。
• 在细节保留的MRI重建任务中实现最先进性能。

提出的方法

• 在k空间域训练多个扩散模型，以提取结构特征与细粒度细节特征。
• 引入虚拟二值模态掩码，动态调整k空间数据的中心窗口，实现自适应值域优化。
• 采用倒置金字塔结构，从上至下逐步降低图像分辨率，实现多尺度表征。
• 通过级联训练建模多尺度数据分布，提升跨尺度的特征学习能力。
• 通过分步细化过程，逐步提升重建流程中的细节逼近效果。
• 该方法完全在k空间域运行，避免了图像域扩散建模在细节保留方面的局限性。

实验结果

研究问题

• RQ1 在k空间域使用多个扩散模型是否能优于单模型或图像域扩散方法，在MRI细节保留方面表现更优？
• RQ2 虚拟二值模态掩码在优化k空间数据以提升细节表征方面效果如何？
• RQ3 倒置金字塔架构在MRI重建中多尺度特征学习方面的增强程度如何？
• RQ4 级联训练是否能提升模型重建精细解剖结构的能力？
• RQ5 DP-MDM在定量与定性细节保留方面与现有最先进方法相比表现如何？

主要发现

• 所提出的DP-MDM方法在临床与公开MRI数据集上均优于现有最先进方法，实现了更优的重建质量。
• 在k空间域使用多个扩散模型显著提升了对精细解剖细节的恢复能力，优于朴素扩散模型。
• 虚拟二值模态掩码有效自适应调整k空间中心窗口，增强模型对相关频率分量的关注。
• 倒置金字塔结构实现了有效的多尺度特征表征，有助于提升细节恢复效果。
• 级联训练显著提升了模型学习与重建MRI数据中复杂、稀疏高频模式的能力。
• 定量结果表明，DP-MDM在PSNR、SSIM与LPIPS等指标上均优于基线方法，表明其在结构保真度与感知保真度方面均有提升。