[论文解读] i-RIM applied to the fastMRI challenge

Patrick Putzky, Dimitrios Karkalousos+5 more|arXiv (Cornell University)|Oct 20, 2019

Advanced MRI Techniques and Applications参考文献 6被引用 13

一句话总结

该论文提出了一种用于快速MRI挑战中加速MRI重建的可逆循环推理机（i-RIM），利用深度可逆架构，通过数据一致性梯度迭代优化图像估计。该方法实现了最先进性能，在测试集上8×加速下，多通道模型达到39.52 dB PSNR和0.928 SSIM。

ABSTRACT

We, team AImsterdam, summarize our submission to the fastMRI challenge (Zbontar et al., 2018). Our approach builds on recent advances in invertible learning to infer models as presented in Putzky and Welling (2019). Both, our single-coil and our multi-coil model share the same basic architecture.

研究动机与目标

• 采用数据驱动的可逆深度学习方法，解决在k空间数据有限情况下的加速MRI重建挑战。
• 通过避免显式建模线圈敏感度图，克服传统方法的局限性。
• 通过可逆残差块实现极深网络（480层）的训练，并在无需激活内存的情况下实现稳定反向传播。
• 在单通道和多通道MRI设置下，实现4×和8×加速因子下的高保真图像重建。
• 通过将结构相似性（SSIM）作为主要损失函数，并在幅度图像上进行评估，优化临床相关性。

提出的方法

• 将MRI重建问题建模为一个逆问题：d = A p + n，其中A结合了各通道的采样掩码和傅里叶变换。
• 使用克罗内克积将k空间测量值和线圈图像组合为联合向量，实现在多通道间的联合重建。
• 实现一种可逆循环推理机（i-RIM），通过基于数据一致性梯度∇𝒟(d, A, p_t)的可学习函数h_φ，迭代更新图像估计p_t和潜在状态s_t。
• 以零填充重建结果（p₀ = Aᴴd）作为网络初始化，并使用1-of-K编码的元状态s₀来编码场强和脂肪抑制等扫描参数。
• 应用一个非可逆的最终模块f_θ，生成最终的复值图像估计p̂，并将其转换为幅度图像用于评估。
• 在幅度图像上使用结构相似性（SSIM）损失进行训练，优化器为Adam，并每30个周期降低学习率。

实验结果

研究问题

• RQ1 在不显式建模线圈敏感度图的前提下，可逆深度学习模型是否能在高加速因子下实现更优的MRI重建性能？
• RQ2 可逆网络的深度（最高达480层）对加速MRI中重建质量的影响如何？
• RQ3 通过初始潜在状态引入元数据，在不同MRI采集协议间是否能显著提升泛化能力？
• RQ4 在fastMRI基准上，i-RIM与以往的端到端推理学习方法相比，在PSNR、SSIM和视觉保真度方面表现如何？
• RQ5 i-RIM是否能在无需微调的情况下，跨多种解剖区域和扫描参数保持高性能？

主要发现

• 在8×加速下，多通道i-RIM在测试集上达到39.52 dB PSNR和0.928 SSIM，优于单通道模型，并创下新基准。
• 在验证集上，多通道模型在8×加速下达到38.84 dB PSNR和0.916 SSIM，表明其具有强大的泛化能力。
• 单通道模型在4×加速下达到33.65 dB PSNR和0.781 SSIM，尽管线圈数量较少，仍表现出优异性能。
• 典型重建结果展现出更优的视觉质量，伪影更少，结构细节更清晰，与真实值相比表现更优。
• 该模型能够训练480层的深层网络而无需激活内存，从而实现稳定优化和更优的特征学习。
• 使用SSIM作为训练损失，使重建结果在感知质量上更优，尤其在保留精细解剖结构方面表现突出。