[论文解读] Model-based Convolutional De-Aliasing Network Learning for Parallel MR Imaging

Yanxia Chen, Taohui Xiao+3 more|arXiv (Cornell University)|Aug 6, 2019

Advanced MRI Techniques and Applications参考文献 13被引用 4

一句话总结

该论文提出了一种基于模型的卷积去混叠网络，利用深度学习从欠采样的k空间数据中重建出高质量的并行MRI图像，而无需显式估计线圈灵敏度。通过将分裂Bregman算法与可学习的滤波算子相结合，该方法有效利用了空间冗余性和多线圈相关性，在不同加速因子和采样模式下均实现了优异的图像质量和鲁棒性，相较于传统方法，PSNR提升最高达5 dB。

ABSTRACT

Parallel imaging has been an essential technique to accelerate MR imaging. Nevertheless, the acceleration rate is still limited due to the ill-condition and challenges associated with the undersampled reconstruction. In this paper, we propose a model-based convolutional de-aliasing network with adaptive parameter learning to achieve accurate reconstruction from multi-coil undersampled k-space data. Three main contributions have been made: a de-aliasing reconstruction model was proposed to accelerate parallel MR imaging with deep learning exploring both spatial redundancy and multi-coil correlations; a split Bregman iteration algorithm was developed to solve the model efficiently; and unlike most existing parallel imaging methods which rely on the accuracy of the estimated multi-coil sensitivity, the proposed method can perform parallel reconstruction from undersampled data without explicit sensitivity calculation. Evaluations were conducted on \emph{in vivo} brain dataset with a variety of undersampling patterns and different acceleration factors. Our results demonstrated that this method could achieve superior performance in both quantitative and qualitative analysis, compared to three state-of-the-art methods.

研究动机与目标

• 解决现有并行MRI重建方法依赖于精确线圈灵敏度估计所带来的局限性，因为不准确的估计可能引入伪影。
• 通过利用深度学习中的空间冗余性和多线圈相关性，提升高度加速并行MRI的重建精度与速度。
• 开发一种基于模型的深度学习框架，避免显式计算灵敏度，同时在各种欠采样模式下保持鲁棒性。
• 与MoDL、SPIRiT和SAKE等最先进方法相比，实现更优的定量与定性重建性能。

提出的方法

• 将去混叠重建模型表述为一个无约束优化问题，结合数据一致性项与可学习的正则化项。
• 采用分裂Bregman算法高效求解该优化问题，支持端到端学习与重建。
• 在正则化项中引入可学习的滤波算子Φ，通过卷积神经网络捕捉空间与多线圈相关性。
• 该方法直接在欠采样的k空间数据上运行，无需线圈灵敏度图，从而降低对可能不准确的灵敏度估计的依赖。
• 利用集成物理约束与数据驱动先验的深度学习框架，实现端到端训练。
• 该算法设计为对各种欠采样模式（包括1D均匀、1D随机、2D泊松和2D径向采样）均具有鲁棒性。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在无需显式线圈灵敏度估计的情况下实现更优的并行MRI重建？
• RQ2 基于模型的卷积网络在欠采样的k空间数据中，能否有效利用空间冗余性和多线圈相关性？
• RQ3 所提出的基于分裂Bregman的优化框架是否能实现比传统迭代方法更快、更稳定的重建？
• RQ4 该方法在不同欠采样模式和高加速因子下的表现如何？
• RQ5 所提出的方法是否能在定量指标与视觉质量上均优于MoDL、SPIRiT和SAKE等最先进方法？

主要发现

• 在3倍加速、1D均匀掩码下，该方法平均PSNR达到36.99 dB，SSIM为0.96，优于MoDL（36.53 dB，0.94）和SAKE（30.66 dB，0.84）。
• 在4倍加速、1D随机掩码下，该方法PSNR为33.56 dB，SSIM为0.93，显著优于SPIRiT（28.25 dB，0.74）和SAKE（27.93 dB，0.80）。
• 在6倍加速、2D泊松采样下，该方法PSNR为32.64 dB，SSIM为0.90，优于MoDL（32.63 dB，0.90）和SAKE（27.15 dB，0.74）。
• 在9倍径向采样下，该方法PSNR为32.49 dB，SSIM为0.91，表现出在高加速因子下的强鲁棒性，而MoDL则显示出边缘噪声增加和不稳定性。
• 在所有测试的加速因子和采样模式下，该方法相比SAKE和SPIRiT平均降低NMSE近5 dB。
• 误差图显示，与MoDL相比，该方法在高加速条件下产生的伪影更少、边缘噪声更小。