[论文解读] One for Multiple: Physics-informed Synthetic Data Boosts Generalizable Deep Learning for Fast MRI Reconstruction

Zi Wang, Xiaotong Yu+26 more|arXiv (Cornell University)|Jul 25, 2023

Nuclear Physics and Applications被引用 6

一句话总结

该论文提出PISF，一种物理信息合成数据框架，使单一深度学习模型能够在多种快速磁共振成像（MRI）重建场景中实现良好泛化。通过将二维MRI重建分解为可学习的一维问题，并利用物理约束生成合成k空间数据，PISF在仅使用4%真实数据的情况下，实现了与真实数据训练模型相当的在体重建质量，同时将真实数据依赖性降低了96%。

ABSTRACT

Magnetic resonance imaging (MRI) is a widely used radiological modality renowned for its radiation-free, comprehensive insights into the human body, facilitating medical diagnoses. However, the drawback of prolonged scan times hinders its accessibility. The k-space undersampling offers a solution, yet the resultant artifacts necessitate meticulous removal during image reconstruction. Although Deep Learning (DL) has proven effective for fast MRI image reconstruction, its broader applicability across various imaging scenarios has been constrained. Challenges include the high cost and privacy restrictions associated with acquiring large-scale, diverse training data, coupled with the inherent difficulty of addressing mismatches between training and target data in existing DL methodologies. Here, we present a novel Physics-Informed Synthetic data learning framework for Fast MRI, called PISF. PISF marks a breakthrough by enabling generalized DL for multi-scenario MRI reconstruction through a single trained model. Our approach separates the reconstruction of a 2D image into many 1D basic problems, commencing with 1D data synthesis to facilitate generalization. We demonstrate that training DL models on synthetic data, coupled with enhanced learning techniques, yields in vivo MRI reconstructions comparable to or surpassing those of models trained on matched realistic datasets, reducing the reliance on real-world MRI data by up to 96%. Additionally, PISF exhibits remarkable generalizability across multiple vendors and imaging centers. Its adaptability to diverse patient populations has been validated through evaluations by ten experienced medical professionals. PISF presents a feasible and cost-effective way to significantly boost the widespread adoption of DL in various fast MRI applications.

研究动机与目标

• 解决深度学习模型在快速MRI重建中因训练数据与真实世界数据之间存在领域偏移而导致的泛化能力有限的问题。
• 克服在多种扫描仪和患者人群中获取大规模、多样化真实MRI数据集所带来的高昂成本和隐私障碍。
• 开发一个单一、统一的深度学习模型，能够在多个厂商、影像中心和患者人口统计特征之间实现泛化。
• 在保持或提升重建质量的前提下，通过合成数据增强最小化对真实MRI数据的依赖。
• 通过减少数据采集瓶颈并增强模型鲁棒性，实现深度学习在快速MRI中的实际部署。

提出的方法

• 将二维MRI重建分解为多个一维重建问题，以简化学习过程并提升泛化能力。
• 使用基于物理的模拟生成合成k空间数据，以保留底层MR采集模型的特性（例如，傅里叶编码、欠采样模式）。
• 在数据生成过程中引入物理约束，以确保合成数据反映真实的MR信号行为和k空间特征。
• 利用自监督学习或对抗性训练等增强学习技术，在合成的一维数据上训练深度学习模型，以改善特征学习。
• 应用领域自适应和数据增强策略，进一步对齐合成数据分布与真实世界数据分布。
• 通过在体人类扫描数据上验证模型在多个MRI厂商和影像中心的泛化能力。

实验结果

研究问题

• RQ1 仅在物理信息合成数据上训练的单一深度学习模型，能否实现与在匹配真实MRI数据上训练的模型相当的重建性能？
• RQ2 合成数据生成在多大程度上减少了快速MRI重建中对真实、标注MRI数据集的依赖？
• RQ3 在合成数据上训练的模型，在不同MRI扫描仪、扫描协议和患者人群中泛化能力如何？
• RQ4 物理信息约束在提升合成MRI数据保真度和泛化能力方面发挥什么作用？
• RQ5 所提出的框架是否能在显著降低数据采集成本和隐私风险的同时，保持高重建精度？

主要发现

• PISF框架在仅使用4%真实数据的情况下，实现了与在匹配真实数据集上训练的模型相当或更优的在体MRI重建质量。
• 该方法将对真实MRI数据的依赖性降低了96%，显著降低了数据采集成本和隐私风险。
• 模型在多个MRI厂商和影像中心之间表现出有效的泛化能力，展现出对领域偏移的鲁棒性。
• 十名经验丰富的放射科医生的评估证实，PISF重建图像具有临床可行性与诊断质量。
• 一维分解策略通过简化复杂k空间模式的学习，增强了模型的泛化能力。
• 物理信息合成数据生成可产生更真实、分布对齐的训练数据，从而在无需真实数据的情况下提升模型泛化能力。