[论文解读] Optimization methods for MR image reconstruction

Jeffrey A. Fessler|arXiv (Cornell University)|Mar 8, 2019

Advanced MRI Techniques and Applications参考文献 97被引用 9

一句话总结

本文综述了用于磁共振成像重建的专用优化方法，重点介绍了针对MRI大规模数据量和临床时间限制而定制的算法。文章强调了获得FDA批准的压缩感知技术以及新兴的数据自适应正则化方法，表明通过利用系统模型和正则化项中的问题特异性结构，定制化算法在性能上显著优于通用求解器。

ABSTRACT

The development of compressed sensing methods for MR image reconstruction led to an explosion of research on models and optimization algorithms for MRI. Roughly 10 years after such methods first appeared in the MRI literature, the US FDA approved the commercial use of certain compressed sensing methods, making compressed sensing a clinical success story for MRI. This review paper summarizes several key models and optimization algorithms for MR image reconstruction, including both the type of methods that have FDA approval for clinical use, as well as more recent methods being considered in the research community that use data-adaptive regularizers. One impetus for this paper is that off the shelf optimization methods have rarely been the best choice for solving optimization problems in MR image reconstruction, due to the large volume of MRI data collected by clinical systems and practical time constraints on processing time. Instead, special purpose algorithms have been devised that exploit the structure of the system model and regularizers used in MRI; this paper strives to collect such algorithms in a single survey. Many of the ideas used in optimization methods for MRI are also useful for solving other inverse problems.

研究动机与目标

• 弥合通用优化求解器与磁共振成像重建独特需求之间的差距，例如高数据量和严格的处理时间限制。
• 综述专为MRI设计的优化算法，利用系统模型和正则化项的结构特性。
• 突出临床批准的压缩感知方法以及利用数据自适应正则化的新研究级方法。
• 为研究人员和从业者提供关于MRI中高效、问题特定优化技术的统一参考。
• 说明磁共振成像专用优化策略如何为更广泛的成像反问题提供解决方案启示。

提出的方法

• 聚焦于利用MRI系统模型（如傅里叶编码矩阵）的结构特性以加速收敛的优化算法。
• 将全变差正则化及其他促进稀疏性的正则化项整合到定制优化框架中，以提升图像质量和重建速度。
• 采用分裂Bregman法和交替方向乘乘法法（ADMM）等迭代算法，这些算法针对MRI问题的线性和稀疏特性进行了适配。
• 引入从训练数据中学习最优稀疏模式的数据自适应正则化项，从而在重建保真度上优于固定正则化项。
• 设计在计算效率与高质量图像恢复之间取得平衡的算法，以适应临床工作流程约束。
• 建立MRI优化技术与更广泛反问题解决方案之间的联系，强调可复用的算法原则。

实验结果

研究问题

• RQ1 为何尽管通用性良好，通用优化方法在磁共振成像重建中仍表现欠佳？
• RQ2 如何利用磁共振成像重建中问题特异的算法结构来提升速度与准确性？
• RQ3 与传统固定正则化项相比，数据自适应正则化项在提升图像质量方面发挥何种作用？
• RQ4 哪些优化框架已获得FDA批准用于临床MRI，其适用于现实世界部署的关键因素是什么？
• RQ5 磁共振成像专用优化技术在多大程度上可迁移至医学影像中的其他反问题？

主要发现

• 由于充分利用了问题特异性结构，定制化优化算法在磁共振成像重建中显著优于通用求解器。
• 获得FDA批准的MRI压缩感知方法基于专门的优化框架，实现了速度、准确性和临床可行性的平衡。
• 数据自适应正则化项已成为一个有前景的研究方向，通过从数据中学习最优稀疏模式，显著提升了图像质量。
• 将分裂Bregman法和ADMM等先进优化技术整合，可高效求解大规模磁共振成像重建问题。
• 为MRI开发的许多优化策略可迁移至其他医学影像反问题，从而拓展其更广泛的科学影响。