[论文解读] End-to-End Sequential Sampling and Reconstruction for MRI

Tianwei Yin, Zihui Wu+4 more|arXiv (Cornell University)|May 13, 2021

Medical Imaging Techniques and Applications被引用 5

一句话总结

本文提出一种端到端可微分框架，联合学习加速磁共振成像（MRI）中的序列k空间采样与图像重建。通过利用采集过程中的中间测量数据，模型自适应地选择信息量丰富的k空间样本，在fastMRI膝关节数据集上以4倍加速比下，96.96%的测试样本性能优于先前方法。

ABSTRACT

Accelerated MRI shortens acquisition time by subsampling in the measurement $κ$-space. Recovering a high-fidelity anatomical image from subsampled measurements requires close cooperation between two components: (1) a sampler that chooses the subsampling pattern and (2) a reconstructor that recovers images from incomplete measurements. In this paper, we leverage the sequential nature of MRI measurements, and propose a fully differentiable framework that jointly learns a sequential sampling policy simultaneously with a reconstruction strategy. This co-designed framework is able to adapt during acquisition in order to capture the most informative measurements for a particular target. Experimental results on the fastMRI knee dataset demonstrate that the proposed approach successfully utilizes intermediate information during the sampling process to boost reconstruction performance. In particular, our proposed method can outperform the current state-of-the-art learned $κ$-space sampling baseline on over 96% of test samples. We also investigate the individual and collective benefits of the sequential sampling and co-design strategies.

研究动机与目标

• 通过智能采样加速数据采集，解决MRI扫描速度慢的问题。
• 克服静态预设采样模式无法适应个体解剖特征的局限性。
• 通过在联合可微分框架中协同设计采样策略与重建网络，提升重建保真度。
• 探索序列采样（采样决策在采集过程中动态调整）相较于非序列方法的优势。
• 证明端到端训练相比不可微分或分离优化策略，能实现更有效的协同设计。

提出的方法

• 将MRI采集建模为T步的序列决策过程，每一步包含一个可微分的采样器和重建器。
• 采用基于神经网络的采样器，根据中间重建图像和先前测量数据选择k空间位置。
• 通过时间反向传播端到端训练整个系统，实现对采样与重建组件的梯度优化。
• 引入一个可微分的重建网络，处理部分k空间数据，并在每一步生成更精确的图像。
• 设计联合损失函数，在优化重建质量（如SSIM、MSE）的同时，引导采样器聚焦于信息丰富的k空间区域。
• 在非序列基线中，将重建器的输入替换为随机张量，以隔离序列自适应带来的优势。

实验结果

研究问题

• RQ1 联合优化的序列采样与重建框架是否能在加速MRI中超越非序列预设采样模式？
• RQ2 与采样器和重建器非可微分或分离训练相比，端到端可微分训练在多大程度上提升了重建性能？
• RQ3 增加序列采样步数如何影响重建质量与收敛性？
• RQ4 序列采样与协同设计对整体性能提升的个体与协同贡献分别是什么？
• RQ5 该框架在真实世界MRI数据中是否能在不同加速因子和解剖结构上实现泛化？

主要发现

• 所提出的4步序列模型在fastMRI单线圈膝关节数据集上，于4倍加速比下优于LOUPE基线96.96%的测试样本，8倍加速比下为92.62%，16倍加速比下为76.91%。
• 即使仅使用单步序列采样，性能也持续优于非序列基线，证明了自适应采样的价值。
• 随着序列步数增加，性能持续提升但收益递减，表明4步已实现显著增益且无过拟合风险。
• 与在4倍加速比下使用随机采样训练的固定重建器相比，协同设计采样器与重建器使SSIM提升2.33–2.51。
• 消融实验证实，性能提升源于序列自适应与协同设计，而非单纯架构改进。
• 该框架在所有测试加速因子下均达到最先进性能，且显著优于先前的可学习非序列基线。