[论文解读] Learned Half-Quadratic Splitting Network for MR Image Reconstruction

Bingyu Xin, Timothy S. Phan+2 more|arXiv (Cornell University)|Dec 17, 2021

Advanced MRI Techniques and Applications被引用 4

一句话总结

该论文提出了一种用于加速磁共振成像重建的可学习半二次分裂（HQS）网络，将HQS算法展开为包含数据一致性和去噪步骤的深度学习框架。该方法在10倍加速下，PSNR性能最高提升1.76 dB，达到当前最先进水平，同时具备更快的推理速度和更高的模型效率。

ABSTRACT

Magnetic Resonance (MR) image reconstruction from highly undersampled $k$-space data is critical in accelerated MR imaging (MRI) techniques. In recent years, deep learning-based methods have shown great potential in this task. This paper proposes a learned half-quadratic splitting algorithm for MR image reconstruction and implements the algorithm in an unrolled deep learning network architecture. We compare the performance of our proposed method on a public cardiac MR dataset against DC-CNN and LPDNet, and our method outperforms other methods in both quantitative results and qualitative results with fewer model parameters and faster reconstruction speed. Finally, we enlarge our model to achieve superior reconstruction quality, and the improvement is $1.76$ dB and $2.74$ dB over LPDNet in peak signal-to-noise ratio on $5 imes$ and $10 imes$ acceleration, respectively. Code for our method is publicly available at https://github.com/hellopipu/HQS-Net.

研究动机与目标

• 解决高稀疏k空间数据在加速磁共振成像中的挑战，传统压缩感知方法速度慢且次优。
• 在高加速因子下，提升现有基于深度学习的磁共振成像重建方法的重建质量和速度。
• 基于半二次分裂（HQS）算法，开发一种可学习的展开优化框架，该框架在直线前向模型下比近端梯度方法更高效。
• 通过超参数（如缓冲区大小和网络深度）实现可扩展的架构设计，平衡模型容量与重建质量。
• 提供公开可访问的实现，以支持基于深度学习的磁共振成像重建的可复现性与进一步研究。

提出的方法

• 将半二次分裂（HQS）算法展开为深度神经网络，交替执行数据一致性与去噪步骤。
• 使用欠采样k空间掩码在傅里叶域进行反演，实现数据一致性步骤，确保与采集测量值的保真度。
• 采用残差卷积神经网络（CNN）建模去噪步骤，学习从上一迭代图像估计值中优化图像，辅以来自辅助变量z的残差连接。
• 引入缓冲机制，用于在迭代间存储中间变量（z），提升优化稳定性与收敛性。
• 设计基于U-Net的变体（HQSNet-Unet），通过跳跃连接增强特征传播与细节重建。
• 在公开的心脏MRI数据集上端到端训练网络，采用单线圈、笛卡尔欠采样模式，结合L2与L1损失以保证重建保真度与稀疏性。

实验结果

研究问题

• RQ1 可学习的半二次分裂（HQS）框架是否能在磁共振图像重建中超越现有展开优化网络（如DC-CNN与LPDNet）？
• RQ2 在展开的HQS网络中，数据一致性与去噪步骤的顺序如何影响重建性能？
• RQ3 残差去噪设计与缓冲机制对HQS框架中收敛性与图像质量的影响如何？
• RQ4 HQSNet架构能否有效扩展以提升重建质量，同时避免过高的计算成本？
• RQ5 在高加速因子（5×与10×）下，HQS方法与当前最先进方法在PSNR、SSIM与推理速度方面的对比如何？

主要发现

• 所提出的HQSNet在10倍加速下达到34.70 dB的PSNR，相比LPDNet提升1.76 dB，证明其重建质量更优。
• 在5倍加速下，HQSNet达到34.17 dB的PSNR，较LPDNet提升1.00 dB，表明在不同加速水平下均具有一致优势。
• HQSNet-Unet变体实现最高重建质量，10倍加速下PSNR达34.70 dB，显著改善了放大区域与边界细节的视觉保真度。
• HQSNet保持小模型规模（1.28M参数）与低FLOPs（39.35G），在效率与精度上均优于DC-CNN与ISTANet+。
• 消融实验表明，DC-first顺序、残差去噪设计与缓冲机制均对性能提升有贡献，其中缓冲区大小（m=7）表现最佳。
• 该方法在高加速因子下泛化能力良好，误差图与放大区域显示相比基线方法更少伪影，解剖结构更清晰。