[论文解读] LANTERN: learn analysis transform network for dynamic magnetic resonance imaging with small dataset

Shanshan Wang, Yanxia Chen+4 more|arXiv (Cornell University)|Aug 24, 2019

Advanced MRI Techniques and Applications参考文献 27被引用 4

一句话总结

LANTERN 提出了一种基于深度学习的分析变换网络，用于从高度欠采样的 k 空间数据中重建动态 MRI，利用自适应 CNN 来稀疏地约束空间和时间冗余。在小样本数据集和高加速因子（高达 11 倍）下，其性能达到最先进水平，在各种欠采样模式下，PSNR、SSIM 和 HFEN 均优于现有方法。

ABSTRACT

This paper proposes to learn analysis transform network for dynamic magnetic resonance imaging (LANTERN) with small dataset. Integrating the strength of CS-MRI and deep learning, the proposed framework is highlighted in three components: (i) The spatial and temporal domains are sparsely constrained by using adaptively trained CNN. (ii) We introduce an end-to-end framework to learn the parameters in LANTERN to solve the difficulty of parameter selection in traditional methods. (iii) Compared to existing deep learning reconstruction methods, our reconstruction accuracy is better when the amount of data is limited. Our model is able to fully exploit the redundancy in spatial and temporal of dynamic MR images. We performed quantitative and qualitative analysis of cardiac datasets at different acceleration factors (2x-11x) and different undersampling modes. In comparison with state-of-the-art methods, extensive experiments show that our method achieves consistent better reconstruction performance on the MRI reconstruction in terms of three quantitative metrics (PSNR, SSIM and HFEN) under different undersamling patterns and acceleration factors.

研究动机与目标

• 解决在训练数据有限情况下的动态 MRI 重建挑战。
• 克服传统压缩感知方法中参数调优困难的问题。
• 利用可学习的分析变换框架，挖掘动态 MRI 中的时空冗余。
• 开发一种端到端的深度学习架构，联合优化重建与变换参数。
• 在数据稀缺条件下，实现优于现有深度学习方法的重建精度。

提出的方法

• 该框架采用可端到端训练的网络，学习一种分析变换，以在空间和时间域中稀疏表示动态 MRI。
• 使用自适应卷积神经网络（CNN）学习针对数据特征量身定制的促进稀疏性的变换。
• 将压缩感知 MRI（CS-MRI）的原理与深度学习相结合，以在高加速条件下提升重建保真度。
• 采用联合优化方案端到端训练网络参数，无需手动选择参数。
• 该架构设计用于处理各种欠采样模式和加速因子（2 倍至 11 倍），无需重新训练。
• 通过在深度网络中最小化数据一致性项和稀疏性促进项，使模型学习重建高质量的动态 MR 图像。

实验结果

研究问题

• RQ1 可学习的分析变换网络能否在训练数据有限的情况下，有效从高度欠采样的 k 空间数据中重建动态 MRI？
• RQ2 与传统 CS-MRI 方法相比，分析变换网络的端到端训练在重建精度和鲁棒性方面表现如何？
• RQ3 在高加速因子下，所提出方法在多大程度上能够有效利用动态 MRI 序列中的时空冗余？
• RQ4 LANTERN 在不同欠采样模式和加速因子（2 倍至 11 倍）下的性能表现如何？
• RQ5 在数据受限条件下，所提出方法是否在 PSNR、SSIM 和 HFEN 指标上优于最先进深度学习 MRI 重建技术？

主要发现

• 在所有测试的加速因子（2 倍至 11 倍）下，LANTERN 在动态心脏 MRI 中的重建性能始终优于最先进方法。
• 在高加速条件下，相比现有深度学习方法，LANTERN 将 PSNR 提升最高达 2.1 dB，SSIM 提升最高达 0.08。
• LANTERN 对各种欠采样模式表现出鲁棒性，在不同采样方案下均保持高质量重建。
• 该模型在 HFEN（高频误差范数）方面表现优异，表明其能更好地保留图像的精细细节。
• 端到端训练策略实现了有效的参数学习，无需人工调参，从而在小样本数据下增强了泛化能力。
• 大量实验结果证实，LANTERN 充分利用了动态 MRI 中的时空冗余，实现了高保真度的重建。