[论文解读] Learning a Variational Network for Reconstruction of Accelerated MRI Data

Kerstin Hammernik, Teresa Klatzer+5 more|arXiv (Cornell University)|Apr 3, 2017

Advanced MRI Techniques and Applications参考文献 32被引用 28

一句话总结

本文提出一种变分网络，将深度学习与变分优化相结合，用于加速多 coil MRI 数据的重建。通过展开基于压缩感知的优化方案，并通过端到端训练学习所有参数——包括滤波器权重、激活函数和数据一致性项——该方法在单张 GPU 上仅用 193 ms 即可实现高质量、伪影减少的重建，且在所有加速因子和采样模式下均优于标准方法。

ABSTRACT

Purpose: To allow fast and high-quality reconstruction of clinical accelerated multi-coil MR data by learning a variational network that combines the mathematical structure of variational models with deep learning. Theory and Methods: Generalized compressed sensing reconstruction formulated as a variational model is embedded in an unrolled gradient descent scheme. All parameters of this formulation, including the prior model defined by filter kernels and activation functions as well as the data term weights, are learned during an offline training procedure. The learned model can then be applied online to previously unseen data. Results: The variational network approach is evaluated on a clinical knee imaging protocol. The variational network reconstructions outperform standard reconstruction algorithms in terms of image quality and residual artifacts for all tested acceleration factors and sampling patterns. Conclusion: Variational network reconstructions preserve the natural appearance of MR images as well as pathologies that were not included in the training data set. Due to its high computational performance, i.e., reconstruction time of 193 ms on a single graphics card, and the omission of parameter tuning once the network is trained, this new approach to image reconstruction can easily be integrated into clinical workflow.

研究动机与目标

• 为解决传统压缩感知和并行成像在临床 MRI 中的局限性，例如重建时间长以及对超参数调优的敏感性。
• 克服压缩感知中依赖手工设计的稀疏先验所带来的问题，此类先验常导致图像呈现方块状、不自然的外观，降低放射科医生的接受度。
• 开发一种基于学习的重建框架，既保留变分模型的数学结构，又能实现所有参数的端到端优化。
• 通过将优化工作移至离线训练阶段，减少在线重建时间并消除对人工参数调优的需求。
• 即使在欠采样违反标准压缩感知条件的情况下，也能实现鲁棒、高保真度的加速 MRI 数据重建。

提出的方法

• 该方法将压缩感知重建的变分优化方案展开为固定层数的结构，将迭代优化过程转化为前馈神经网络。
• 每一层利用线圈敏感度信息执行数据一致性更新，并通过使用高斯径向基函数作为激活函数的卷积滤波器应用学习到的先验。
• 先验被建模为局部滤波响应的加权和，其中滤波器权重和核参数均可学习，从而实现自适应正则化。
• 所有参数——包括滤波器核、权重和数据保真项——均通过反向传播在离线训练阶段进行联合优化。
• 网络采用残差连接结构，并整合了对整个展开过程的梯度计算，支持端到端反向传播。
• 最终重建通过 GPU 上的一次前向传播完成，实现近实时性能，且推理阶段几乎无需调参。

实验结果

研究问题

• RQ1 当标准压缩感知条件（非相干性、稀疏性）未完全满足时，基于深度学习的方法是否仍能优于标准压缩感知和并行成像方法重建加速 MRI 数据？
• RQ2 学习到的变分模型在多大程度上能保持解剖结构的真实感，并保留训练数据中未明确包含的临床病理特征？
• RQ3 在不同加速因子下，该变分网络在图像质量和伪影抑制方面与传统迭代重建方法相比表现如何？
• RQ4 所提出的方法是否能在无需为每次新扫描手动调整超参数的情况下，实现临床可行的重建时间？
• RQ5 可微优化框架的整合是否能有效支持图像重建参数（包括正则化和数据一致性项）的端到端学习？

主要发现

• 该变分网络在所有测试的加速因子和采样模式下，均实现了优于标准重建算法的图像质量。
• 即使在训练数据中未包含相关病理特征的情况下，重建图像仍保持了自然的组织外观和临床相关的病理特征。
• 该方法显著减少了残余伪影，尤其在解剖结构复杂且信噪比较低的区域表现更优。
• 在单张 GPU 上，重建时间仅为 193 ms，支持临床工作流程中的实时集成。
• 模型在未见数据上泛化良好，且训练后无需重新调参，展现出良好的鲁棒性与临床可行性。
• 所有参数（包括滤波器核、权重和数据保真项）的端到端学习，带来了比手工设计模型更有效、更自适应的重建效果。