[论文解读] Game of Learning Bloch Equation Simulations for MR Fingerprinting

Mingrui Yang, Yun Jiang+3 more|arXiv (Cornell University)|Apr 5, 2020

Numerical methods in inverse problems参考文献 20被引用 11

一句话总结

该论文提出 GAN-MRF，一种深度生成模型，通过使用改进的生成对抗网络学习模拟布洛赫方程信号，从而加速磁共振指纹成像（MRF）字典生成。该模型在粗粒度 MRF 指纹数据上进行训练，可在亚秒内生成准确、高保真的指纹，将字典生成时间从数小时缩短至亚秒级，实现了实时、即时的 MRF 映射与序列优化，与真实布洛赫模拟结果及在体数据高度一致。

ABSTRACT

Purpose: This work proposes a novel approach to efficiently generate MR fingerprints for MR fingerprinting (MRF) problems based on the unsupervised deep learning model generative adversarial networks (GAN). Methods: The GAN model is adopted and modified for better convergence and performance, resulting in an MRF specific model named GAN-MRF. The GAN-MRF model is trained, validated, and tested using different MRF fingerprints simulated from the Bloch equations with certain MRF sequence. The performance and robustness of the model are further tested by using in vivo data collected on a 3 Tesla scanner from a healthy volunteer together with MRF dictionaries with different sizes. T1, T2 maps are generated and compared quantitatively. Results: The validation and testing curves for the GAN-MRF model show no evidence of high bias or high variance problems. The sample MRF fingerprints generated from the trained GAN-MRF model agree well with the benchmark fingerprints simulated from the Bloch equations. The in vivo T1, T2 maps generated from the GAN-MRF fingerprints are in good agreement with those generated from the Bloch simulated fingerprints, showing good performance and robustness of the proposed GAN-MRF model. Moreover, the MRF dictionary generation time is reduced from hours to sub-second for the testing dictionary. Conclusion: The GAN-MRF model enables a fast and accurate generation of the MRF fingerprints. It significantly reduces the MRF dictionary generation process and opens the door for real-time applications and sequence optimization problems.

研究动机与目标

• 解决使用布洛赫方程模拟生成大规模磁共振指纹成像（MRF）字典所需计算时间过长的问题。
• 开发一种快速、可扩展且鲁棒的方法，用于生成在不同组织参数和序列设置下均保持高精度的 MRF 指纹。
• 实现实时临床应用中动态场景下的即时 MRF 字典生成，特别是在心率变化较大的心脏成像等场景中。
• 通过加速字典创建过程，在不损失保真度的前提下减少 MRF 模atter 匹配中的内存和计算开销。
• 通过允许对序列参数进行快速、数据驱动的探索，为 MRF 序列优化开辟新可能。

提出的方法

• 训练一种改进的生成对抗网络（GAN），学习从组织参数（T1、T2）和序列参数到 MRF 指纹的映射关系，从而替代计算成本高昂的布洛赫方程模拟。
• GAN-MRF 模型在通过布洛赫模拟生成的粗粒度 MRF 字典上进行训练，随后进行微调以推广至更细粒度的参数网格。
• 生成器网络通过学习的矩阵乘法和非线性激活函数生成合成 MRF 指纹，实现快速推理。
• 使用在体 3T 大脑扫描数据对模型进行评估，将 GAN-MRF 指纹生成的 T1 和 T2 图像与布洛赫模拟指纹生成的结果进行比较。
• 该方法在不同字典大小下均表现出鲁棒性，包括对分布偏移的适应能力，如外推至训练分布之外的新 T1/T2 范围。
• 该方法具有可扩展性，可与低秩近似技术（如 SVD）结合，进一步降低复杂物理模型的训练成本。

实验结果

研究问题

• RQ1 深度生成模型能否准确学习并再现由布洛赫方程模拟生成的 MRF 指纹？
• RQ2 GAN-MRF 模型能否推广至训练过程中未见的更细粒度参数网格和新的组织参数范围？
• RQ3 由 GAN-MRF 生成的 MRF 指纹能否生成与标准布洛赫模拟结果在定量上可比的 T1 和 T2 图像？
• RQ4 GAN-MRF 模型能否将字典生成时间从数小时缩短至亚秒级，同时保持精度？
• RQ5 该模型能否实现实时动态临床场景（如心率变化的心脏 MRI）下的即时 MRF 字典生成？

主要发现

• GAN-MRF 模型生成的 MRF 指纹与基于布洛赫方程模拟的基准指纹在视觉和定量上均表现出高度一致性。
• 验证和测试曲线表明无高偏差或高方差，证实了模型的鲁棒性与泛化能力。
• 由 GAN-MRF 指纹生成的在体 T1 和 T2 图像与布洛赫模拟指纹生成的结果高度一致，验证了其临床准确性。
• 字典生成时间从数小时缩短至亚秒级，实现了实时和即时的 MRF 指纹生成。
• 该模型成功推广至更细粒度的参数网格和新的 T1/T2 范围，展示了超越训练分布的外推能力。
• 该方法具有可扩展性，可与低秩方法结合，进一步降低复杂 MRF 序列的内存和训练成本。