[论文解读] Optimal control gradient precision trade-offs: application to fast generation of DeepControl libraries for MRI

Mads Sloth Vinding, David L. Goodwin+2 more|arXiv (Cornell University)|Jul 2, 2021

Advanced NMR Techniques and Applications参考文献 59被引用 9

一句话总结

本文提出一种用于磁共振成像（MRI）脉冲设计中量子最优控制的中点一阶梯度近似方法，显著加速了DeepControl神经网络的训练库生成。该方法在保持实际MRI应用所需足够精度的前提下，相较于机器精度梯度实现了最高五倍的加速，使基于深度学习的实时患者特异性脉冲计算成为可能。

ABSTRACT

We have recently demonstrated supervised deep learning methods for rapid generation of radiofrequency pulses in magnetic resonance imaging (https://doi.org/10.1002/mrm.27740, https://doi.org/10.1002/mrm.28667). Unlike the previous iterative optimization approaches, deep learning methods generate a pulse using a fixed number of floating-point operations - this is important in MRI, where patient-specific pulses preferably must be produced in real time. However, deep learning requires vast training libraries, which must be generated using the traditional methods, e.g. iterative quantum optimal control methods. Those methods are usually variations of gradient descent, and the calculation of the fidelity gradient of the performance metric with respect to the pulse waveform can be the most numerically intensive step. In this communication, we explore various ways in which the calculation of fidelity gradients in quantum optimal control theory may be accelerated. Four optimization avenues are explored: truncated commutator series expansions at zeroth and first order, a novel midpoint truncation scheme at first order, and the exact complex-step method. For the spin systems relevant to MRI, the first-order truncation is found to be sufficiently accurate, but also up to five times faster than the machine precision gradient. This makes the generation of training databases for the machine learning methods considerably more realistic.

研究动机与目标

• 为解决为DeepControl——一种用于实时MRI射频脉冲生成的深度学习框架——生成大规模训练库时存在的计算瓶颈问题。
• 探索在MRI量子最优控制中，梯度精度与计算效率之间的权衡。
• 开发并评估近似梯度方法，以在不牺牲脉冲保真度的前提下减少运行时间。
• 实现实时、可扩展的高质量射频脉冲库生成，用于基于深度学习的MRI脉冲设计。

提出的方法

• 提出一种新颖的GRAPE算法中点一阶梯度近似方法，通过控制场的时间对称中点评估实现。
• 对比四种梯度计算方法：精确的复步法、标准的零阶与一阶近似法，以及所提出的中点一阶方法。
• 采用分段常数脉冲离散化，时间步长∆t = 10 µs，并应用矩阵指数计算时间演化算符U(p)n = e^{Ω(p)n∆t}。
• 在三种目标类别下评估梯度精度与收敛速度：BW（带宽）、GrBW（梯度回波带宽）和Gr（梯度回波）。
• 使用NRMSE（归一化均方根误差）将近似梯度与作为参考的精确复步梯度进行比较。
• 在2D射频脉冲上测试方法，目标为标称30°翻转角，通过保真度与脉冲形状精度评估收敛性。

实验结果

研究问题

• RQ1 在MRI脉冲优化中，采用中点评估的一阶梯度近似是否能在速度与精度上优于标准一阶与零阶近似？
• RQ2 与精确梯度相比，中点梯度方法在多大程度上降低了计算成本，同时保持了脉冲保真度？
• RQ3 在DeepControl训练库生成的背景下，不同级别的梯度近似如何影响收敛速度与最终脉冲质量？
• RQ4 该中点方法在不同脉冲设计目标（如BW、GrBW、Gr）和脉冲类型上是否具有鲁棒性？

主要发现

• 中点一阶梯度方法相较于机器精度复步梯度，实现了最高五倍的加速，同时保持了MRI应用所需的足够精度。
• 该方法的精度与时间步长减半（5 µs vs. 10 µs）的标准零阶梯度相当，表明其有效降低了对时间步长的敏感性。
• 一阶近似（包括中点方法）在MRI中已足够精确，因为其生成的脉冲保真度高，适用于训练DeepControl网络。
• NRMSE直方图显示，中点方法在所有目标类别（BW、GrBW、Gr）中均持续优于标准一阶与零阶近似。
• 中点方法的最佳NRMSE低于0.005，最差情况下的翻转角图差异仍在±20°以内，表明其精度可接受。
• 本研究证实，近似梯度可有效替代精确梯度，尤其在以快速生成训练库为主要目标而非超高等精度时。