[论文解读] Physics-Informed DeepMRI: Bridging the Gap from Heat Diffusion to k-Space Interpolation

Zhuo‐Xu Cui, Congcong Liu+12 more|arXiv (Cornell University)|Aug 30, 2023

Advanced MRI Techniques and ApplicationsMedicine被引用 3

一句话总结

本文提出Physics-Informed DeepMRI，一种新颖的k空间插值方法，将MRI重建建模为基于物理的反向热扩散过程，利用基于分数的生成模型求解病态逆问题。该方法在高加速度因子下实现了最先进的重建精度，尤其在高频区域表现优异，优于传统及基于深度学习的k空间方法。

ABSTRACT

In the field of parallel imaging (PI), alongside image-domain regularization methods, substantial research has been dedicated to exploring $k$-space interpolation. However, the interpretability of these methods remains an unresolved issue. Furthermore, these approaches currently face acceleration limitations that are comparable to those experienced by image-domain methods. In order to enhance interpretability and overcome the acceleration limitations, this paper introduces an interpretable framework that unifies both $k$-space interpolation techniques and image-domain methods, grounded in the physical principles of heat diffusion equations. Building upon this foundational framework, a novel $k$-space interpolation method is proposed. Specifically, we model the process of high-frequency information attenuation in $k$-space as a heat diffusion equation, while the effort to reconstruct high-frequency information from low-frequency regions can be conceptualized as a reverse heat equation. However, solving the reverse heat equation poses a challenging inverse problem. To tackle this challenge, we modify the heat equation to align with the principles of magnetic resonance PI physics and employ the score-based generative method to precisely execute the modified reverse heat diffusion. Finally, experimental validation conducted on publicly available datasets demonstrates the superiority of the proposed approach over traditional $k$-space interpolation methods, deep learning-based $k$-space interpolation methods, and conventional diffusion models in terms of reconstruction accuracy, particularly in high-frequency regions.

研究动机与目标

• 解决现有k空间与图像域并行成像（PI）方法在加速性能受限及可解释性差的问题。
• 基于热扩散方程的统一物理解析框架，统一k空间插值与图像域正则化方法。
• 通过物理信息深度学习方法，解决MRI重建中反向热方程求解的逆问题。
• 在高 undersampling 因子下提升重建精度，尤其在高频k空间区域。
• 开发一种鲁棒、可解释且可泛化的加速MRI框架，整合物理原理与深度生成建模。

提出的方法

• 将高频k空间衰减建模为前向热扩散过程，高频重建建模为反向热扩散过程。
• 对反向热方程进行重构，以匹配MRI物理特性，特别是线圈灵敏度与k空间结构，提升稳定性和物理合理性。
• 采用基于分数的生成模型求解修正后的反向热扩散，实现缺失高频数据的精确且可微分的重建。
• 通过ESPIRiT或低秩近似（SLR）将物理信息扩散模型与线圈灵敏度估计相结合，增强对灵敏度误差的鲁棒性。
• 采用噪声缩放的随机微分方程（SDE）公式，确保反向过程的存在性，其中噪声尺度 $\sigma_N$ 通过经验调优。
• 在公开数据集上端到端训练模型，优化不同加速度因子下的NMSE、PSNR与SSIM。

实验结果

研究问题

• RQ1 反向热扩散方程能否作为并行MRI中k空间插值与图像域正则化的统一物理解析框架？
• RQ2 如何通过物理信息修正与深度生成建模缓解MRI中反向热扩散的病态性？
• RQ3 基于物理信息的分数驱动扩散模型是否在高精度、高加速度MRI重建中优于传统k空间插值与基于深度学习的方法？
• RQ4 该方法对线圈灵敏度估计变化的鲁棒性如何，后者是并行成像中的关键误差源？
• RQ5 在SDE公式中，平衡重建保真度与伪影抑制的最优噪声尺度 $\sigma_N$ 是多少？

主要发现

• 所提出的AK-Diffusion方法在加速度因子为6时，PSNR达到34.90 ± 2.04 dB，SSIM为0.90 ± 0.04，优于基线方法，包括 $\sigma_N = 0.5$ 与 $\sigma_N = 1.0$ 的AK-Diffusion。
• 在 $R=6$ 时，NMSE为0.0045 ± 0.0024，表明重建精度显著提升，尤其在高频区域。
• 该模型对线圈灵敏度估计变化具有鲁棒性，在ESPIRiT、SOS与SLR-based灵敏度估计下均保持高感知图像质量。
• 提高噪声尺度 $\sigma_N$ 可改善高频细节恢复，但可能引入伪细节，表明 $\sigma_N = 1.0$ 是一种平衡的实验选择。
• 该方法在定量指标与视觉保真度上显著优于传统k空间插值、基于深度学习的k空间方法及标准扩散模型。
• 该框架为黑箱深度学习提供了物理解释性强的替代方案，统一了基于热扩散的图像域与k空间PI方法。