[论文解读] Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models

Sriram Ravula, Brett Levac+4 more|arXiv (Cornell University)|Jun 5, 2023

Advanced Neuroimaging Techniques and Applications被引用 5

一句话总结

本文提出了一种新颖的方法，利用预训练的扩散生成模型优化压缩感知磁共振成像（MRI）中的k空间采样模式，通过闭式后验均值估计实现无需微调生成器的高效梯度优化。该方法仅使用五张训练图像即可实现与基线模式相当或更优的重建质量。

ABSTRACT

Magnetic resonance imaging (MRI) is a powerful medical imaging modality, but long acquisition times limit throughput, patient comfort, and clinical accessibility. Diffusion-based generative models serve as strong image priors for reducing scan-time with accelerated MRI reconstruction and offer robustness across variations in the acquisition model. However, most existing diffusion-based approaches do not exploit the unique ability in MRI to jointly design both the sampling pattern and the reconstruction method. While prior learning-based approaches have optimized sampling patterns for end-to-end unrolled networks, analogous methods for diffusion-based reconstruction have not been established due to the computational burden of posterior sampling. In this work, we propose a method to optimize k-space sampling patterns for accelerated multi-coil MRI reconstruction using diffusion models as priors. We introduce a training objective based on a single-step posterior mean estimate that avoids backpropagation through an expensive iterative reconstruction process. Then we present a greedy strategy for learning Cartesian sampling patterns that selects informative k-space locations using gradient information from a pre-trained diffusion model while enforcing spatial diversity among samples. Experimental results across multiple anatomies and acceleration factors demonstrate that diffusion models using the optimized sampling patterns achieve higher-quality reconstructions in comparison to using fixed and learned baseline patterns.

研究动机与目标

• 开发一种学习压缩感知MRI中最优k空间采样模式的方法，利用预训练的扩散模型作为先验。
• 即使在重建过程为无监督且不适用于算法展开的情况下，也能实现采样模式的梯度优化。
• 通过将采样模式学习与推理采样方案解耦，最小化对重建网络架构的依赖。
• 在极小数据量下实现有效模式学习，例如仅使用五张训练图像。
• 通过使方法独立于推理时使用的后验采样算法，确保模块化设计。

提出的方法

• 该方法使用Tweedie公式以闭式计算后验均值估计，从而实现通过重建过程的高效梯度计算。
• 基于后验均值构建训练目标，使反向传播能够通过评分网络优化采样模式。
• 该方法将采样模式视为可微算子，支持通过梯度下降实现端到端优化。
• 该方法依赖于预训练的扩散模型，无需进一步微调，从而保持其在不同解剖结构和加速因子下的泛化能力。
• 该方法将采样模式与推理时的采样算法解耦，使测试时可兼容任意后验采样方法。
• 训练过程采用基于后验均值的单步重建，降低计算成本和复杂度。

(a)

实验结果

研究问题

• RQ1 我们能否在无需端到端训练或微调的情况下，利用扩散生成模型优化压缩感知MRI的采样模式？
• RQ2 闭式后验均值估计是否能实现对无监督MRI重建中采样模式的有效且高效的优化？
• RQ3 该方法能否仅使用五张训练图像就学习到有效的采样模式？
• RQ4 与标准采样模式（如等间距和泊松盘掩码）相比，该方法在重建质量方面表现如何？
• RQ5 该方法在训练过程中对采样参数（如步数或噪声水平）的变化是否具有鲁棒性？

主要发现

• 在不同解剖结构和加速因子下，该方法在重建质量上与基线等间距和泊松盘采样模式相比具有竞争力或更优表现。
• 仅使用五张训练图像，该方法学习到的采样模式在2D成像中优于固定的等间距掩码。
• 在推理过程中，性能在不同采样步数和噪声水平下保持稳定，表明具有鲁棒性。
• 该方法学习到的模式在低噪声水平下能捕捉k空间的高频分量，而在高噪声水平下则聚焦于中心k空间，体现出适当的信噪比自适应能力。
• 在训练噪声水平中观察到一个“死区”（如σ=5时性能下降），表明对超参数选择较为敏感。
• 该方法通过将采样模式与推理采样算法解耦，保持了模块化设计，可兼容任意后验采样方案。

(b)