[论文解读] Learning Fast Magnetic Resonance Imaging.

Tomer Weiss, Sanketh Vedula+4 more|arXiv (Cornell University)|May 22, 2019

Advanced MRI Techniques and Applications参考文献 10被引用 11

一句话总结

本文提出了一种端到端可微分框架，联合学习加速磁共振成像（MRI）中的笛卡尔k空间轨迹与图像重建，通过深度学习联合优化采集与重建，显著提升了各种加速率下的重建质量。

ABSTRACT

Magnetic Resonance Imaging (MRI) is considered today the golden-standard modality for soft tissues. The long acquisition times, however, make it more prone to motion artifacts as well as contribute to the relatively high costs of this examination. Over the years, multiple studies concentrated on designing reduced measurement schemes and image reconstruction schemes for MRI, however, these problems have been so far addressed separately. On the other hand, recent works in optical computational imaging have demonstrated growing success of the simultaneous learning-based design of the acquisition and reconstruction schemes manifesting significant improvement in the reconstruction quality with a constrained time budget. Inspired by these successes, in this work, we propose to learn accelerated MR acquisition schemes (in the form of Cartesian trajectories) jointly with the image reconstruction operator. To this end, we propose an algorithm for training the combined acquisition-reconstruction pipeline end-to-end in a differentiable way. We demonstrate the significance of using the learned Cartesian trajectories at different speed up rates.

研究动机与目标

• 解决MRI采集与重建分开设计的局限性，该局限性阻碍了最佳性能。
• 缩短MRI扫描时间以减轻运动伪影和高成本，同时保持诊断级图像质量。
• 通过联合设计采集轨迹与重建网络，克服现有方法中的次优权衡。
• 利用可微分优化实现采集-重建流程的端到端训练。
• 证明在多种加速因子下，学习得到的轨迹优于传统笛卡尔采样。

提出的方法

• 将MRI采集与重建建模为可微分的端到端流程。
• 使用神经网络将k空间采样轨迹参数化为可学习的笛卡尔模式。
• 集成一个作用于欠采样k空间数据的深度图像重建网络。
• 使用反向传播训练联合系统，以最小化重建损失。
• 采用可微分采样操作，使梯度能从重建损失反向传播至轨迹参数。
• 在训练过程中联合优化采样模式与重建网络。

实验结果

研究问题

• RQ1 与固定或手工设计的轨迹相比，k空间采样轨迹与图像重建的联合学习是否能提升MRI重建质量？
• RQ2 采集-重建流程的端到端可微分训练对图像质量和扫描时间缩短有何影响？
• RQ3 在不同加速因子下，学习得到的笛卡尔轨迹在多大程度上优于传统笛卡尔采样？
• RQ4 采集与重建的联合优化是否能提升在不同扫描加速率下的泛化能力？
• RQ5 轨迹学习对减少伪影并保留重建MR图像中的细微解剖结构有何影响？

主要发现

• 与传统笛卡尔采样相比，所提方法在所有测试的加速因子下均实现了更优的图像重建质量。
• 学习得到的轨迹显著减少了条纹状和混叠伪影，尤其在高加速率下效果明显。
• 端到端训练使网络能够发现更高效于重建任务的采样模式。
• 联合优化显著加快了收敛速度，并在重建软组织对比度方面表现出更强的鲁棒性。
• 在4×、6×和8×加速因子下，该方法相对于基线方法持续展现出性能提升。
• 可微分框架使得采样过程中的有效反向传播成为可能，实现了真正的联合优化。