[论文解读] Fast Data-Driven Learning of MRI Sampling Pattern for Large Scale Problems

Marcelo V. W. Zibetti, Gábor T. Herman+1 more|arXiv (Cornell University)|Nov 4, 2020

Sparse and Compressive Sensing Techniques参考文献 77被引用 5

一句话总结

本文提出BASS，一种快速的数据驱动优化方法，用于在并行磁共振成像（MRI）中学习高效的k空间采样模式。通过利用训练数据和重建特定的准则，BASS使采样模式学习速度比贪婪方法快100倍，实现高达45%的重建质量提升，或在不损失质量的前提下将扫描时间减半——从而实现高分辨率和定量MRI应用中最佳采样-重建配对的选择。

ABSTRACT

Purpose: A fast data-driven optimization approach, named bias-accelerated subset selection (BASS), is proposed for learning efficacious sampling patterns (SPs) with the purpose of reducing scan time in large-dimensional parallel MRI. Methods: BASS is applicable when Cartesian fully-sampled k-space data of specific anatomy is available for training and the reconstruction method is specified, learning which k-space points are more relevant for the specific anatomy and reconstruction in recovering the non-sampled points. BASS was tested with four reconstruction methods for parallel MRI based on low-rankness and sparsity that allow a free choice of the SP. Two datasets were tested, one of the brain images for high-resolution imaging and another of knee images for quantitative mapping of the cartilage. Results: BASS, with its low computational cost and fast convergence, obtained SPs 100 times faster than the current best greedy approaches. Reconstruction quality increased up to 45\% with our learned SP over that provided by variable density and Poisson disk SPs, considering the same scan time. Optionally, the scan time can be nearly halved without loss of reconstruction quality. Conclusion: Compared with current approaches, BASS can be used to rapidly learn effective SPs for various reconstruction methods, using larger SP and larger datasets. This enables a better selection of efficacious sampling-reconstruction pairs for specific MRI problems.

研究动机与目标

• 为解决大规模并行MRI中数据驱动采样模式学习优化过程缓慢的挑战。
• 开发一种计算高效的算法，利用大规模数据集和多种重建方法，实现采样模式的快速学习。
• 通过将采样模式与特定重建算法相匹配，而非使用如可变密度或泊松盘等通用模式，来提升图像重建质量。
• 通过识别适用于临床和研究应用的最优采样-重建配对，实现MRI扫描的实际加速。
• 通过快速、数据驱动的采样模式优化，支持临床MRI中更高加速因子的实现。

提出的方法

• BASS采用偏差加速的子集选择策略，通过基于重建误差降低的迭代方式，增加或移除多个k空间点来优化采样模式。
• 该方法使用k空间误差准则（公式2）来评估每个候选点的影响，优先选择能最大程度提升重建保真度的点。
• 它利用特定解剖结构的完全采样k空间数据作为训练输入，并针对特定重建方法进行定制，确保方法特异性优化。
• BASS采用类似贪婪的方法，结合批量更新（每次迭代更新多个点），以加速收敛，相比单点更新方法显著降低计算成本。
• 该算法设计高效，可扩展至大规模数据集和大尺寸采样模式，适用于3D和定量MRI应用。
• 它支持多种重建准则的优化，包括图像域指标如NRMSE和SSIM，并可适应不同的优化目标。

实验结果

研究问题

• RQ1 数据驱动的采样模式学习方法是否能在大规模MRI问题中实现显著快于现有贪婪方法的收敛速度？
• RQ2 针对特定重建方法优化采样模式，是否能相比通用模式（如可变密度或泊松盘）显著提升图像重建质量？
• RQ3 优化后的采样模式在保持或提升图像质量的前提下，能在多大程度上减少扫描时间？
• RQ4 优化后采样模式的性能在不同重建方法和加速因子下如何变化？
• RQ5 该方法是否能有效学习随时间变化的非均匀采样率，例如对T1ρ映射有益的模式？

主要发现

• BASS实现的采样模式优化速度比当前最优的贪婪方法快100倍，使大规模数据集上的快速学习成为可能。
• 与相同扫描时间下使用可变密度或泊松盘模式相比，采用BASS学习的采样模式，图像重建质量最高可提升45%。
• 使用优化后的采样模式，可在几乎仅一半扫描时间下达到相同的图像质量，从而实现加速因子翻倍。
• 最优采样模式在不同重建方法下表现出显著差异，凸显了采样与重建方法匹配的重要性。
• 在更高加速因子下，优化采样模式的优势更加明显，误差曲线趋于平缓，性能显著提升。
• 该算法成功学习了对T1ρ映射有益的非均匀、时变采样模式，表明其在复杂临床应用中的适应能力。