[论文解读] Dual-Octave Convolution for Accelerated Parallel MR Image Reconstruction

Chun-Mei Feng, Zhanyuan Yang+3 more|arXiv (Cornell University)|Apr 12, 2021

Advanced MRI Techniques and Applications被引用 4

一句话总结

本文提出了一种新型深度学习方法——双八度卷积（Dual-OctConv），用于加速并行磁共振成像重建，通过在多个空间频率上处理实部和虚部磁共振图像分量，实现高效重建。通过将特征分解为高频和低频子带，并支持组内与组间信息交互，Dual-OctConv 在减少空间冗余的同时捕捉多尺度上下文表征，以更低的计算成本实现最先进的重建质量。

ABSTRACT

Magnetic resonance (MR) image acquisition is an inherently prolonged process, whose acceleration by obtaining multiple undersampled images simultaneously through parallel imaging has always been the subject of research. In this paper, we propose the Dual-Octave Convolution (Dual-OctConv), which is capable of learning multi-scale spatial-frequency features from both real and imaginary components, for fast parallel MR image reconstruction. By reformulating the complex operations using octave convolutions, our model shows a strong ability to capture richer representations of MR images, while at the same time greatly reducing the spatial redundancy. More specifically, the input feature maps and convolutional kernels are first split into two components (i.e., real and imaginary), which are then divided into four groups according to their spatial frequencies. Then, our Dual-OctConv conducts intra-group information updating and inter-group information exchange to aggregate the contextual information across different groups. Our framework provides two appealing benefits: (i) it encourages interactions between real and imaginary components at various spatial frequencies to achieve richer representational capacity, and (ii) it enlarges the receptive field by learning multiple spatial-frequency features of both the real and imaginary components. We evaluate the performance of the proposed model on the acceleration of multi-coil MR image reconstruction. Extensive experiments are conducted on an {in vivo} knee dataset under different undersampling patterns and acceleration factors. The experimental results demonstrate the superiority of our model in accelerated parallel MR image reconstruction. Our code is available at: github.com/chunmeifeng/Dual-OctConv.

研究动机与目标

• 解决标准卷积在处理复值 MR 数据时多尺度与多频率表征不足的局限性。
• 克服现有复值卷积方法在 MRI 重建中空间冗余高与感受野受限的问题。
• 在不同 undersampling 模式与加速因子下，提升重建精度与鲁棒性。
• 通过将多频率处理整合进深度神经网络框架，实现高效端到端的多 coil MR 图像重建学习。

提出的方法

• 将输入特征图与卷积核分解为实部与虚部分量。
• 基于空间频率带（高频与低频子带）将每个分量（实部/虚部）划分为四组。
• 在每组内执行组内信息更新，以优化组内特征。
• 在不同频率带之间执行组间信息交换，以聚合上下文信息。
• 通过可学习的融合机制，在多个空间频率上整合实部与虚部分量。
• 采用多尺度、多频率架构，在扩大有效感受野的同时减少空间冗余。

实验结果

研究问题

• RQ1 多尺度空间频率表征学习是否能提升加速并行 MRI 重建的质量？
• RQ2 在多个频率带中联合处理实部与虚部分量，对重建精度与伪影抑制有何影响？
• RQ3 在复值 MRI 重建中，平衡性能与计算效率的最优空间频率比（α）是多少？
• RQ4 与标准复值卷积和普通卷积相比，Dual-OctConv 在重建保真度与 FLOPs 方面表现如何？
• RQ5 所提方法是否在多种 undersampling 模式（如 1D 均匀、2D 螺旋、2D 随机）与加速因子下具有泛化能力？

主要发现

• Dual-OctConv 在所有测试的加速因子与 undersampling 模式下均实现更优的重建性能，相比基线模型 PSNR 最高提升 1.2 dB。
• 在 α = 0.125 时，SSIM 达到最高值 0.948，表明多频率表征与信息保留之间达到最佳平衡。
• 在 α = 0.125 时，相比基线复值卷积（α = 0），FLOPs 减少 38%，同时提升 PSNR 与 SSIM。
• 消融实验证实，Dual-OctConv 显著优于标准复值卷积（α = 0），尤其在 SSIM 上表现更优，证明多频率学习的优势。
• 当使用 10 个 Dual-OctConv 模块（bn = 10）时，模型达到最佳重建精度；进一步增加模块数则收益递减且计算成本上升。
• 该方法在多种 undersampling 模式下表现出强鲁棒性，包括 1D 均匀、2D 螺旋与 2D 随机掩码，重建图像中伪影极少，结构细节清晰。