[论文解读] Fast and accurate reconstruction of HARDI using a 1D encoder-decoder convolutional network

Shi Yin, Zhengqiang Zhang+2 more|arXiv (Cornell University)|Mar 21, 2019

Advanced Neuroimaging Techniques and Applications参考文献 7被引用 7

一句话总结

本文提出一种一维编码器-解码器卷积神经网络（1d-ED CNN），用于从减少的q空间测量中快速且准确地重建高角分辨率扩散成像（HARDI）。通过在现有HARDI数据上使用监督训练学习从低角分辨率（LAR）信号到完整HARDI信号的映射，该方法在高缩减因子下相比基于压缩感知的方法展现出更优的重建精度和速度。

ABSTRACT

High angular resolution diffusion imaging (HARDI) demands a lager amount of data measurements compared to diffusion tensor imaging, restricting its use in practice. In this work, we explore a learning-based approach to reconstruct HARDI from a smaller number of measurements in q-space. The approach aims to directly learn the mapping relationship between the measured and HARDI signals from the collecting HARDI acquisitions of other subjects. Specifically, the mapping is represented as a 1D encoder-decoder convolutional neural network under the guidance of the compressed sensing (CS) theory for HARDI reconstruction. The proposed network architecture mainly consists of two parts: an encoder network produces the sparse coefficients and a decoder network yields a reconstruction result. Experiment results demonstrate we can robustly reconstruct HARDI signals with the accurate results and fast speed.

研究动机与目标

• 解决由于高测量需求导致的HARDI临床局限性，即扫描时间过长。
• 克服传统压缩感知（CS）方法依赖手工设计字典和迭代优化的局限性。
• 利用现有HARDI数据集中的统计模式，学习从低角分辨率（LAR）到完整HARDI信号的直接映射。
• 开发一种深度学习框架，其速度和鲁棒性均优于现有基于CS的方法，尤其在高缩减因子下表现更优。
• 实现适用于临床应用的实用化、实时HARDI重建，尤其适用于儿童或痴呆患者等脆弱人群。

提出的方法

• 设计一种一维编码器-解码器卷积神经网络（1d-ED CNN），以端到端方式学习从LAR信号到完整HARDI信号的映射。
• 使用四通道输入：LAR信号以及对应梯度方向（qx, qy, qz）在球坐标系下的三个分量，以保留方向信息。
• 在训练过程中对测量信号和梯度方向应用随机混洗策略，以增强泛化能力和模型鲁棒性。
• 使用包含成对LAR与HARDI信号的大规模数据集，以归一化均方误差（NMSE）作为损失函数，进行监督式训练。
• 网络结构包含三个编码器和三个解码器模块，每个模块使用1×9卷积核滤波器，通过步幅卷积实现下采样，通过转置卷积实现上采样。
• 通过在真实HARDI数据上进行端到端训练，直接学习信号重建过程，避免显式字典学习或稀疏编码。

实验结果

研究问题

• RQ1 深度学习模型能否有效从显著减少的q空间测量中重建出完整的HARDI信号？
• RQ2 在真实HARDI数据上训练的一维编码器-解码器CNN是否在重建精度和速度上优于传统压缩感知方法？
• RQ3 当测量数量被大幅减少时（例如仅1/5的完整测量），所提出方法的鲁棒性如何？
• RQ4 能否有效利用大规模HARDI数据集的统计特性，学习到一个可泛化的重建映射？
• RQ5 所提出方法是否消除了HARDI重建中对迭代优化或手工设计字典的需求？

主要发现

• 所提出的1d-ED CNN在所有测试缩减因子（KL = 30, 23, 18）下均达到最低的归一化均方误差（NMSE），优于RGD-CS和RGD-L2方法。
• 在KL = 18（即1/5的完整测量）时，1d-ED CNN的平均NMSE为0.0199，显著低于RGD-CS（0.0612）和RGD-L2（0.1128），表明在高缩减因子下具有更强的鲁棒性。
• 即使在测量次数极少时，该方法仍保持高精度，NMSE最低达0.0021（KL = 18），表明其在稀疏采样下具有出色的泛化能力。
• 由于其完全前馈推理机制，1d-ED CNN即使在CPU上运行也比基于CS的方法更快，无需迭代优化。
• 方向分布函数（ODFs）的视觉对比显示，1d-ED CNN重建的ODFs在视觉上更接近真实值，优于RGD-CS和RGD-L2方法。
• 该方法在所有测试缩减水平下均表现出一致性能，NMSE方差极小，表明其具有高度稳定性和可靠性。