[论文解读] DuDoRNet: Learning a Dual-Domain Recurrent Network for Fast MRI Reconstruction with Deep T1 Prior

Bo Zhou, S. Kevin Zhou|arXiv (Cornell University)|Jan 11, 2020

Advanced MRI Techniques and Applications参考文献 35被引用 16

一句话总结

DuDoRNet 提出了一种双域循环神经网络，通过引入深度 T1 加权先验，联合重建 MRI 中的欠采样 k 空间和图像数据，以提高结构保真度。通过将空洞残差密集网络与循环优化及 T1 先验引导相结合，该方法在多种加速率和采样模式下实现了最先进的重建质量，螺旋轨迹下的 SSIM 持续高于 0.99。

ABSTRACT

MRI with multiple protocols is commonly used for diagnosis, but it suffers from a long acquisition time, which yields the image quality vulnerable to say motion artifacts. To accelerate, various methods have been proposed to reconstruct full images from under-sampled k-space data. However, these algorithms are inadequate for two main reasons. Firstly, aliasing artifacts generated in the image domain are structural and non-local, so that sole image domain restoration is insufficient. Secondly, though MRI comprises multiple protocols during one exam, almost all previous studies only employ the reconstruction of an individual protocol using a highly distorted undersampled image as input, leaving the use of fully-sampled short protocol (say T1) as complementary information highly underexplored. In this work, we address the above two limitations by proposing a Dual Domain Recurrent Network (DuDoRNet) with deep T1 prior embedded to simultaneously recover k-space and images for accelerating the acquisition of MRI with a long imaging protocol. Specifically, a Dilated Residual Dense Network (DRDNet) is customized for dual domain restorations from undersampled MRI data. Extensive experiments on different sampling patterns and acceleration rates demonstrate that our method consistently outperforms state-of-the-art methods, and can reconstruct high-quality MRI.

研究动机与目标

• 解决现有深度学习方法仅在图像域操作、难以处理欠采样 MRI 中非局部结构混叠伪影的局限性。
• 充分利用完全采样的 T1 加权图像作为互补先验，以提升长时扫描 MRI 的重建质量。
• 开发一种循环双域框架，通过改进的特征学习与一致性，交替优化 k 空间与图像重建。
• 在多种采样模式（笛卡尔、径向、螺旋）和高加速率下，实现稳定且高保真的 MRI 重建。

提出的方法

• 设计了空洞残差密集网络（DRDNet），以捕捉长程依赖关系并增强 k 空间与图像域中的特征表示。
• 网络采用循环架构，包含五个循环块（N_rec = 5），实现对图像与 k 空间重建的迭代优化。
• 每个循环块包含两个数据一致性（DC）层——一个在图像域，一个在 k 空间域——确保两域之间的一致性。
• 在每个循环块中嵌入深度 T1 先验，通过完全采样的 T1 加权图像提供解剖结构先验，引导恢复过程。
• 模型采用配对的欠采样 k 空间与完全采样图像数据进行端到端训练，损失函数针对结构相似性与感知质量进行优化。
• 该框架支持多种采样模式，并在不同加速率（R = 2 至 6）下进行评估，展现出强鲁棒性与泛化能力。

Figure 1 : The architecture of our proposed Du al Do main R ecurrent Net work ( DuDoRNet ). DC denotes the data consistency layer. Each recurrent block contains one network for image domain restoration and one network for k-space domain restoration with two interleaved DC.

实验结果

研究问题

• RQ1 与单域方法相比，双域循环网络是否能有效减少欠采样 MRI 重建中的结构混叠伪影？
• RQ2 将完全采样的 T1 加权图像作为先验，如何提升快速 MRI 重建的质量与稳定性？
• RQ3 在多个迭代中进行循环优化，对 k 空间与图像域重建保真度的提升程度如何？
• RQ4 在高加速率下，DuDoRNet 在不同 k 空间采样模式（笛卡尔、径向、螺旋）下的性能表现如何？
• RQ5 各组件——循环学习、双域学习与空洞残差密集块——对整体重建性能的贡献分别是什么？

主要发现

• 在螺旋采样模式下，DuDoRNet 在 R=2 至 R=6 的所有加速率下均保持结构相似性指数（SSIM）高于 0.99，表现出卓越的稳定性。
• 在 R=6 时，DuDoRNet 在螺旋模式下达到 SSIM 0.991，在径向模式下达到 0.989，显著优于所有基线方法。
• 在笛卡尔模式下，即使在 R=6 时，SSIM 仍高于 0.95，较次优方法提升 0.05。
• 消融实验表明，结合循环学习、双域优化与空洞残差密集块可获得最高性能增益，平均 SSIM 相较基线提升 0.057。
• 引入 T1 先验可一致提升重建质量，尤其在保留细微解剖结构与减少结构损失方面表现突出。
• 增加循环块数量可单调提升性能，N_rec = 3 后性能趋于收敛，表明该点后收益递减。

Figure 2 : The architecture of our D ilated R esidual D ense Network ( DRD-Net ) with building modules of SDRDB shown in Figure 3 . The input can be either $x_{u}$ in image domain or $k_{u}$ in k-space domain. Convolution operation is followed by ReLU.