[论文解读] GRAPPA-GANs for Parallel MRI Reconstruction

Nader Tavaf, Amirsina Torfi+2 more|arXiv (Cornell University)|Jan 5, 2021

Advanced MRI Techniques and Applications参考文献 28被引用 9

一句话总结

本文提出GRAPSA-GANs，一种结合基因组自校准部分并行采集（GRAPSA）与条件生成对抗网络（GAN）的混合深度学习框架，以提升加速并行磁共振成像（MRI）重建质量。通过整合数据一致性、感知特征损失与对抗训练，该方法有效减少了混叠与噪声，在R=4时相比正则化GRAPSA实现3.77 dB的PSNR提升，并在不同加速因子下显著降低了SSIM与RMSE，展现出优异的重建性能。

ABSTRACT

k-space undersampling is a standard technique to accelerate MR image acquisitions. Reconstruction techniques including GeneRalized Autocalibrating Partial Parallel Acquisition(GRAPPA) and its variants are utilized extensively in clinical and research settings. A reconstruction model combining GRAPPA with a conditional generative adversarial network (GAN) was developed and tested on multi-coil human brain images from the fastMRI dataset. For various acceleration rates, GAN and GRAPPA reconstructions were compared in terms of peak signal-to-noise ratio (PSNR) and structural similarity (SSIM). For an acceleration rate of R=4, PSNR improved from 33.88 using regularized GRAPPA to 37.65 using GAN. GAN consistently outperformed GRAPPA for various acceleration rates.

研究动机与目标

• 利用 undersampled k-space 数据解决加速并行MRI重建中的混叠与噪声伪影问题。
• 通过引入深度生成建模，超越传统GRAPSA，提升图像质量。
• 减少纯GAN-based重建中常见的幻觉与结构失真问题。
• 利用感知损失与数据一致性损失，提升解剖结构保真度并抑制噪声。
• 在fastMRI数据集的多线圈人体脑部MRI上，针对不同加速因子验证该方法的有效性。

提出的方法

• 采用条件GAN架构，生成器基于U-Net，判别器采用PatchGAN，用于重建欠采样k-space数据。
• 生成器引入残差跳跃连接，并使用3D卷积、Leaky ReLU与批量归一化以增强特征学习能力。
• 采用多组件损失函数，结合对抗损失、L1/L2重建损失、数据一致性损失（λDC=30）与感知特征损失（λf=100），后者使用预训练的InceptionV3网络计算。
• 采用等距k-space欠采样策略，随机起始采样线，同时保留中心自校准集（ACS）线用于GRAPSA校准。
• 在100名受试者的1600个体素轴向切片上，使用Adam优化器与自定义学习率调度策略进行端到端训练。
• 训练在单张NVIDIA Tesla V100 GPU上进行200个周期，设置独立的训练、验证与测试集以防止数据泄露。

实验结果

研究问题

• RQ1 将GRAPSA与GAN结合是否能相比仅使用传统GRAPSA，显著提升加速并行MRI的图像重建质量？
• RQ2 引入数据一致性损失与感知特征损失后，对伪影抑制与结构保真度有何影响？
• RQ3 在高加速因子（R=4与R=8）下，GRAPSA-GAN模型在降噪与均方根误差（RMSE）降低方面表现如何？
• RQ4 基于GAN的重建是否能有效缓解真实数据中固有的Gibbs振 ringing与运动伪影？
• RQ5 与标准GAN相比，该混合GRAPSA-GAN框架在减少幻觉的同时，能否保持更高的解剖结构准确性？

主要发现

• 在R=4时，PSNR由正则化GRAPSA的33.88 dB提升至GRAPSA-GAN的37.65 dB，提升3.77 dB。
• 在R=4时，SSIM由0.84提升至0.93，表明结构相似性更高且噪声方差更低。
• 在R=8时，PSNR由22.45 dB提升至29.64 dB，SSIM由0.51提升至0.84，证明在高加速下仍具鲁棒性。
• 在R=4时，RMSE由0.021降至0.013；在R=8时，由0.075降至0.033，证实重建误差显著降低。
• GAN重建有效抑制了Gibbs振 ringing、运动伪影与噪声，即使在高加速场景（R=8）下，图像仍保持更清晰的解剖结构与更自然的组织对比度。
• 感知损失有助于保留关键解剖特征，而数据一致性损失则有效避免了训练数据中真实世界伪影的复制。