[论文解读] Optimization methods for MR image reconstruction (long version)

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

Advanced MRI Techniques and Applications参考文献 129被引用 14

一句话总结

本文全面综述了加速磁共振成像重建的优化方法，重点介绍利用稀疏性和并行成像的模型与算法。文章回顾了 SENSE、GRAPPA 和 ESPIRiT 等关键方法，强调了用于求解具有临床相关性的正则化逆问题的优化技术，如 ADMM、预处理共轭梯度法和临近分裂法，且所涉及方法均获得 FDA 批准。

ABSTRACT

The development of compressed sensing methods for magnetic resonance (MR) image reconstruction led to an explosion of research on models and optimization algorithms for MR imaging (MRI). Roughly 10 years after such methods first appeared in the MRI literature, the U.S. Food and Drug Administration (FDA) approved certain compressed sensing methods for commercial use, 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. Many 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

• 提供加速磁共振成像重建优化技术的统一概述，尤其针对欠采样并行成像数据。
• 识别并分析整合先验知识（如稀疏性及线圈间联合结构）的关键模型与代价函数。
• 突出强调利用问题结构的优化算法（如 ADMM、CG 和临近方法），以高效求解大规模磁共振成像逆问题。
• 通过展示展开网络与迭代求解器之间的关系，弥合经典优化方法与新兴深度学习方法之间的鸿沟。
• 通过强调获得 FDA 批准的方法及实际实现考量，支持临床转化。

提出的方法

• 基于线性系统 y = A x + ε 的前向模型，其中 A 结合了傅里叶变换与多线圈 MRI 的线圈敏感度矩阵。
• 通过 1-范数稀疏性促进项（如总变差或小波基）施加正则化，以稳定欠定重建问题。
• 采用交替方向乘子法（ADMM）将复杂优化问题分解为具有闭式更新的简单子问题。
• 利用预处理共轭梯度法（PCG）求解由二次数据保真项产生的大规模线性系统。
• 引入数据自适应正则化项与联合稀疏性模型，以利用多线圈及多对比度之间的冗余性。
• 涵盖无需校准的无敏感度图方法，如 GRAPPA 和 ESPIRiT，其一致性约束通过 k 空间数据直接估计，无需显式敏感度图。

实验结果

研究问题

• RQ1 在涉及非光滑正则化项和大规模系统的欠定 MRI 重建问题中，哪些优化算法最为有效？
• RQ2 在重建精度与计算效率方面，不同模型（如 SENSE、GRAPPA 和 ESPIRiT）之间有何比较？
• RQ3 临近算子与分裂方法（如 ADMM）在实现可扩展且稳定的 MRI 重建中发挥何种作用？
• RQ4 如何利用多线圈或多种对比度之间的联合稀疏性与低秩结构，以提升加速 MRI 的图像质量？
• RQ5 经典优化方法与现代深度学习架构（尤其是展开网络）在 MRI 重建中存在何种关系？

主要发现

• 本文识别出 ADMM 和预处理共轭梯度法在求解涉及非光滑正则化项与大规模系统的 MRI 重建问题中极为有效。
• 获得 FDA 批准的 MRI 压缩感知方法基于结构化欠采样与稀疏性促进正则化，并通过真实世界实现获得临床验证。
• GRAPPA 和 ESPIRiT 方法通过利用 k 空间冗余性与子空间结构，无需显式线圈敏感度图即可实现高质量重建。
• 采用 1-范数正则化可实现对稀疏图像的鲁棒重建，而 p-范数（0 ≤ p < 1）的非凸形式在极端欠采样条件下表现更优。
• 在多线圈或多种对比度之间利用联合稀疏性与低秩模型，可显著提升重建质量，因其能有效利用共享结构信息。
• 展开的深度学习架构与经典优化方案（如原始-对偶方法与 PGM）密切相关，表明经典优化方法在现代 MRI 中仍具基础性作用。