[论文解读] Model Learning: Primal Dual Networks for Fast MR imaging

Jing Cheng, Haifeng Wang+2 more|arXiv (Cornell University)|Aug 7, 2019

Advanced MRI Techniques and Applications参考文献 14被引用 5

一句话总结

该论文提出了一种可学习的深度网络架构——原始对偶网络（PD-Net），用于将原始对偶混合梯度算法展开，以实现加速磁共振成像（MRI）重建。通过在k空间和图像空间中迭代更新，同时逐步放松约束，该方法将优化理论与深度学习相结合，从高度欠采样的k空间数据中实现了最先进的图像质量，优于现有方法在活体数据集上的表现。

ABSTRACT

Magnetic resonance imaging (MRI) is known to be a slow imaging modality and undersampling in k-space has been used to increase the imaging speed. However, image reconstruction from undersampled k-space data is an ill-posed inverse problem. Iterative algorithms based on compressed sensing have been used to address the issue. In this work, we unroll the iterations of the primal-dual hybrid gradient algorithm to a learnable deep network architecture, and gradually relax the constraints to reconstruct MR images from highly undersampled k-space data. The proposed method combines the theoretical convergence guarantee of optimi-zation methods with the powerful learning capability of deep networks. As the constraints are gradually relaxed, the reconstruction model is finally learned from the training data by updating in k-space and image domain alternatively. Experi-ments on in vivo MR data demonstrate that the proposed method achieves supe-rior MR reconstructions from highly undersampled k-space data over other state-of-the-art image reconstruction methods.

研究动机与目标

• 解决从高度欠采样的k空间数据中进行加速MRI重建时的病态逆问题。
• 弥合基于优化的方法（具有理论收敛性）与具有高表征能力的深度学习模型之间的差距。
• 开发一种可微分的、迭代的网络架构，交替更新k空间和图像域约束。
• 实现端到端训练的深度网络，直接从训练数据中学习重建模型。

提出的方法

• 该方法将原始对偶混合梯度（PDHG）算法展开为具有可学习层的深度残差网络结构。
• 在图像域和k空间域之间交替更新，应用软阈值化和数据一致性约束。
• 在训练过程中逐步放松约束，使网络能够从欠采样数据中学习最优重建模型。
• 通过在两个域中结合数据保真度和稀疏性促进正则化，进行端到端训练。
• 通过保持原始算法的原始对偶结构，确保理论收敛性保证。
• 通过反向传播优化模型，参数更新以最小化训练数据上的重建损失。

实验结果

研究问题

• RQ1 是否可以设计一种深度神经网络，以保持基于优化的MRI重建方法的收敛性特性？
• RQ2 如何将原始对偶框架适配为可学习的、端到端的深度网络，用于加速MRI？
• RQ3 在高度欠采样的MRI中，逐步放松约束在多大程度上能提升重建质量？
• RQ4 将优化理论与数据驱动学习相结合，是否能相比纯深度学习或纯优化方法获得更优的图像质量？
• RQ5 所提出的方法是否能在具有高加速因子的多样化活体MRI数据集中实现良好泛化？

主要发现

• 所提出的PD-Net在高加速因子的活体MRI数据集上，相比现有最先进方法，实现了更优的图像重建质量。
• 该方法在通过端到端学习显著提升重建精度的同时，仍保持理论收敛性保证。
• 实验表明，在训练过程中逐步放松约束可提升泛化能力并减少重建图像中的伪影。
• 在PSNR和SSIM指标上，该网络优于传统的压缩感知方法和纯学习型重建模型。
• 该架构在临床MRI数据中不同解剖区域和加速模式下均表现出鲁棒性。