[论文解读] Offset Sampling Improves Deep Learning based Accelerated MRI Reconstructions by Exploiting Symmetry

Aaron Defazio|arXiv (Cornell University)|Dec 2, 2019

Advanced MRI Techniques and Applications参考文献 10被引用 6

一句话总结

本文通过将k空间采样偏移一行以利用共轭对称性，在基于深度学习的加速磁共振成像重建中提出偏移采样方法，减少了混叠重叠并提升了图像质量。与等间距采样（偏移-0）和随机采样相比，偏移-1方法表现更优，实现了更高的SSIM值和更清晰的重建结果，尤其在低信噪比条件下优势显著。

ABSTRACT

Deep learning approaches to accelerated MRI take a matrix of sampled Fourier-space lines as input and produce a spatial image as output. In this work we show that by careful choice of the offset used in the sampling procedure, the symmetries in k-space can be better exploited, producing higher quality reconstructions than given by standard equally-spaced samples or randomized samples motivated by compressed sensing.

研究动机与目标

• 通过优化采样模式，利用k空间对称性，提升基于深度学习的加速磁共振成像重建性能。
• 解决标准等间距采样（偏移-0）和随机采样在处理重叠混叠图像时的局限性。
• 探究相位偏移采样模式是否能减少重建模糊性并增强细节恢复能力。
• 证明偏移-1采样能更好地利用磁共振信号的实值特性与共轭对称性。
• 为压缩感知启发的磁共振成像提供一种理论基础扎实、实证表现更优的随机采样替代方案。

提出的方法

• 采用将采样掩码向后偏移一行（偏移-1）的策略，而非从零开始（偏移-0），从而改变混叠图像副本的相位关系。
• 偏移-1掩码确保混叠图像副本在逆快速傅里叶变换（IFFT）域中的相位差为2π/R弧度，从而降低振幅重叠。
• 当R=4时，四个相位分别为实部正、虚部正、实部负和虚部负，有助于更清晰地区分重叠解剖结构。
• 该方法利用实值图像具有共轭对称性的事实，使得IFFT的实部仅包含两个相隔图像宽度一半的混叠副本。
• 采用级联U-Net架构，并结合k空间一致性损失（通过FFT-后应用IST实现），从掩码k空间数据中重建图像。
• 在fastMRI数据集上评估该方法，采用4倍加速，所有掩码均通过按位或操作添加16条低频线。

实验结果

研究问题

• RQ1 相位偏移采样模式（偏移-1）是否能减少加速磁共振成像重建中的混叠重叠伪影？
• RQ2 在重建质量方面，偏移-1采样与等间距采样（偏移-0）和随机采样相比表现如何？
• RQ3 通过偏移采样利用共轭对称性，在实值磁共振数据上的性能提升程度如何？
• RQ4 尽管压缩感知理论支持随机性，为何在此情境下等间距采样反而优于随机采样？
• RQ5 该偏移-1方法是否可推广至其他线圈敏感度模式或不同的加速因子？

主要发现

• 偏移-1采样方法在验证SSIM方面显著优于偏移-0和随机采样。
• 使用偏移-1采样重建的图像更清晰，尤其在高纹理区域或低信噪比区域能更好地保留低层次图像细节。
• 当解剖结构占据视野不足一半时，改进效果最为显著，此时混叠副本在IFFT实部中完全分离。
• 尽管违反了标准压缩感知假设，该方法仍优于随机采样，原因在于其与磁共振数据结构特性的更好匹配。
• 级联U-Net结合k空间一致性损失能有效利用偏移-1采样带来的结构化混叠，实现更优的混叠成分解耦。
• 结果在不同模型架构下均保持稳定，表明该优势源于采样模式本身，而非模型特异性。