[论文解读] Dual Objective Approach Using A Convolutional Neural Network for Magnetic Resonance Elastography

Ligin Solamen, Yipeng Shi+1 more|arXiv (Cornell University)|Dec 2, 2018

Ultrasound Imaging and Elastography参考文献 21被引用 4

一句话总结

该论文提出了一种新颖的卷积神经网络（CNN）架构，可直接将磁共振 elastography（MRE）位移数据映射为弹性图，采用结合均方误差（MSE）与基于亥姆霍兹方程的物理启发损失的双重损失训练策略。该方法实现了与非线性反演相当的高保真弹性图重建，证明了深度学习在高效、精确的MRE组织刚度映射中的可行性。

ABSTRACT

Traditionally, nonlinear inversion, direct inversion, or wave estimation methods have been used for reconstructing images from MRE displacement data. In this work, we propose a convolutional neural network architecture that can map MRE displacement data directly into elastograms, circumventing the costly and computationally intensive classical approaches. In addition to the mean squared error reconstruction objective, we also introduce a secondary loss inspired by the MRE mechanical models for training the neural network. Our network is demonstrated to be effective for generating MRE images that compare well with equivalents from the nonlinear inversion method.

研究动机与目标

• 通过引入深度学习方法，克服传统非线性反演方法在MRE中计算负担重、复杂度高的问题。
• 通过在神经网络训练中引入力学模型约束，提升MRE弹性图重建的泛化能力和物理合理性。
• 证明CNN可直接学习从MRE位移数据到剪切模量弹性图的逆映射，而无需依赖迭代反演算法。
• 通过在不同激励频率下使用模拟MRE数据，评估所提方法与标准非线性反演的性能对比。
• 探究基于物理的辅助损失函数在提升基于深度学习的弹性成像精度与鲁棒性方面的影响。

提出的方法

• 网络采用编码器-解码器CNN架构，编码器包含四个3D卷积层，解码器包含四个转置卷积层，将64×64×3的位移数据处理为64×64的弹性图。
• 编码器使用步长大于1的卷积实现下采样，不使用池化层，从而减少参数并保留空间信息。
• 主要损失函数基于均方误差（MSE），确保预测弹性图与真实弹性图之间的像素级重建精度。
• 次要损失函数为基于简化亥姆霍兹方程（μ∇²u = −ω²ρu）的物理启发损失，强制满足剪切波传播的底层力学模型一致性。
• 网络在Tesla K80 GPU上使用Adam优化器，批量大小为64，训练2,500个周期，采用70/30的训练-测试划分，并设置30%的验证子集。
• 训练数据通过多孔弹性力学模型生成，模拟在不同激励频率（25–100 Hz）下软组织中剪切波的传播。

实验结果

研究问题

• RQ1 深度卷积神经网络是否能有效学习从MRE位移数据到弹性图的逆映射，而无需依赖经典反演算法？
• RQ2 将源自亥姆霍兹方程的基于物理的损失函数，如何提升重建弹性图的精度与物理一致性？
• RQ3 与仅使用MSE的训练策略相比，双重损失训练策略（MSE + 物理损失）是否能带来更好的复杂刚度模式重建性能？
• RQ4 在低对比度区域或脑部MRE中典型的高刚度变化等挑战性情况下，该CNN的性能如何？
• RQ5 网络是否能在不同激励频率下实现良好泛化，并保持高重建保真度？

主要发现

• 所提出的CNN在所有测试激励频率下，成功重建出在视觉和定量上均与标准非线性反演方法生成的弹性图一致的弹性图。
• 引入基于物理的损失函数显著提升了网络在高刚度变化区域（如大脑）中保持力学一致性的能力。
• 网络在复杂弹性图模式下表现稳健，包括高刚度梯度和低对比度区域，尽管在低对比度区域观察到轻微偏差。
• 网络训练耗时约2小时（在Tesla K80 GPU上），相较于迭代非线性反演方法具有显著加速优势。
• 双重损失方法优于仅使用MSE的训练，通过图3中的视觉对比可证实其减少了伪影并提升了结构保真度。
• 该方法有效规避了先前MRE深度学习方法中所需的预处理步骤（如图像块分割）。