[论文解读] MRI Reconstruction via Cascaded Channel-wise Attention Network

Qiaoying Huang, Dong Yang+4 more|arXiv (Cornell University)|Oct 18, 2018

Sparse and Compressive Sensing Techniques参考文献 12被引用 5

一句话总结

本文提出 MICCAN，一种用于从高度欠采样的 k 空间数据中进行 MRI 重建的级联 U-Net 模型，其引入了通道注意力机制。通过整合通道注意力以突出显著特征、长跳跃连接以保留低频内容，以及结合损失函数以提升感知保真度，MICCAN 在 12.5% 欠采样率下实现了最先进性能，将 NRMSE 降低至 0.0385，PSNR 达到 28.45。

ABSTRACT

We consider an MRI reconstruction problem with input of k-space data at a very low undersampled rate. This can practically benefit patient due to reduced time of MRI scan, but it is also challenging since quality of reconstruction may be compromised. Currently, deep learning based methods dominate MRI reconstruction over traditional approaches such as Compressed Sensing, but they rarely show satisfactory performance in the case of low undersampled k-space data. One explanation is that these methods treat channel-wise features equally, which results in degraded representation ability of the neural network. To solve this problem, we propose a new model called MRI Cascaded Channel-wise Attention Network (MICCAN), highlighted by three components: (i) a variant of U-net with Channel-wise Attention (UCA) module, (ii) a long skip connection and (iii) a combined loss. Our model is able to attend to salient information by filtering irrelevant features and also concentrate on high-frequency information by enforcing low-frequency information bypassed to the final output. We conduct both quantitative evaluation and qualitative analysis of our method on a cardiac dataset. The experiment shows that our method achieves very promising results in terms of three common metrics on the MRI reconstruction with low undersampled k-space data.

研究动机与目标

• 为解决从极低欠采样 k 空间数据中重建高质量 MRI 的挑战，传统深度学习方法因对通道特征一视同仁而表现不佳。
• 通过引入通道注意力机制，过滤无关和噪声特征，提升深度网络在 MRI 重建中的表征能力。
• 通过保留低频信息的长跳跃连接，提升重建质量，使网络能够专注于学习高频细节。
• 设计一种联合损失函数，通过结合 ℓ₂ 损失与 VGG-16 特征的感知损失，提升图像视觉质量并减少模糊。

提出的方法

• 该模型采用改进的 U-Net 架构，引入通道注意力（UCA）模块，根据特征通道对最终输出的重要性自适应重加权。
• UCA 模块通过全局平均池化和带有挤压-激励机制的全连接层计算通道注意力权重，增强特征表征能力。
• 引入长跳跃连接，将低频分量直接传递至最终输出，确保结构完整性，并使网络能够专注于高频细节的学习。
• 采用联合损失函数，结合 ℓ₂ 损失与来自 VGG-16 特征的感知损失，以提升视觉质量并减少模糊。
• 网络使用 PyTorch 进行端到端训练，初始峰值学习率为 1e-4，每 15 个周期衰减为原来的 0.5，共训练 50 个周期，批量大小为 8。
• 在每个重建模块后应用数据一致性层，以确保重建结果与采集到的 k 空间数据保持一致。

实验结果

研究问题

• RQ1 通道注意力机制是否能提升深度学习方法在极低欠采样 k 空间数据 MRI 重建中的特征表征能力？
• RQ2 保留低频分量的长跳跃连接是否能通过使网络专注于高频细节学习，从而提升重建质量？
• RQ3 与仅使用 ℓ₂ 损失相比，结合 ℓ₂ 损失与感知损失的联合损失函数是否能减少图像模糊并提升感知质量？
• RQ4 在 12.5% 欠采样率下，所提出的 MICCAN 模型与最先进方法相比，在 NRMSE、PSNR 和 SSIM 指标上的表现如何？

主要发现

• 采用联合损失的 MICCAN（MICCAN-B）获得最佳 SSIM 得分为 0.8214，显著优于所有基线模型，表明其在结构保持方面表现更优。
• MICCAN-C 变体实现最低 NRMSE 0.0385 和最高 PSNR 28.4489，证明了长跳跃连接与联合损失联合使用的效果。
• 即使仅使用 ℓ₂ 损失训练的 MICCAN-A，也优于最先进模型 MRN5，实现 NRMSE 0.0402 和 PSNR 28.0664。
• 定性分析表明，与传统方法及先前深度学习模型相比，MICCAN 模型生成的图像更清晰，模糊伪影更少，且能更好恢复细微解剖结构。
• 消融实验验证了通道注意力机制与联合损失对性能提升具有显著贡献，而长跳跃连接进一步优化了结果。