[论文解读] PILOT: Physics-Informed Learned Optimized Trajectories for Accelerated MRI

Tomer Weiss, Ortal Senouf+4 more|arXiv (Cornell University)|Sep 12, 2019

Advanced MRI Techniques and Applications被引用 13

一句话总结

PILOT 提出了一种端到端可微分框架，联合优化 k 空间采样轨迹与基于深度学习的 MRI 重建，同时施加物理硬件约束（例如梯度爬升率）。该方法在固定或手工设计的轨迹之外实现了更优的图像质量和加速性能，包括在重建和分割任务中达到最先进水平，且对噪声和可变加速因子具有鲁棒性。

ABSTRACT

Magnetic Resonance Imaging (MRI) has long been considered to be among "the gold standards" of diagnostic medical imaging. The long acquisition times, however, render MRI prone to motion artifacts, let alone their adverse contribution to the relative high costs of MRI examination. Over the last few decades, multiple studies have focused on the development of both physical and post-processing methods for accelerated acquisition of MRI scans. These two approaches, however, have so far been addressed separately. On the other hand, recent works in optical computational imaging have demonstrated growing success of concurrent learning-based design of data acquisition and image reconstruction schemes. Such schemes have already demonstrated substantial effectiveness, leading to considerably shorter acquisition times and improved quality of image reconstruction. Inspired by this initial success, in this work, we propose a novel approach to the learning of optimal schemes for conjoint acquisition and reconstruction of MRI scans, with the optimization carried out simultaneously with respect to the time-efficiency of data acquisition and the quality of resulting reconstructions. To be of a practical value, the schemes are encoded in the form of general k-space trajectories, whose associated magnetic gradients are constrained to obey a set of predefined hardware requirements (as defined in terms of, e.g., peak currents and maximum slew rates of magnetic gradients). With this proviso in mind, we propose a novel algorithm for the end-to-end training of a combined acquisition-reconstruction pipeline using a deep neural network with differentiable forward- and back-propagation operators. We demonstrate its effectiveness on image reconstruction and image segmentation tasks, reporting substantial improvements in terms of acceleration factors as well as the quality of these tasks.

研究动机与目标

• 通过联合优化采集与重建过程，弥合加速 MRI 采集与图像重建之间的差距。
• 开发一种可微分、物理信息驱动的框架，生成在真实 MRI 硬件约束（如峰值电流、爬升率）下可行的 k 空间轨迹。
• 通过轨迹与重建网络的端到端训练，提升图像重建质量和分割性能。
• 在具有不同加速因子和噪声条件的回顾性数据上验证该方法。
• 探索多尺度优化和轨迹采样模式（TSP）等扩展方法，以缓解轨迹学习中的局部极小值问题。

提出的方法

• 该方法通过在深度神经网络中引入可微分的前向与反向投影算子，将 k 空间轨迹优化建模为可微问题。
• 通过可微分的梯度模型对梯度波形（如最大爬升率、峰值幅值）施加物理约束，确保轨迹与 MRI 扫描仪兼容。
• 该框架通过端到端反向传播联合训练轨迹生成器与重建网络（如 U-Net），损失函数针对图像质量与下游任务（如分割）进行定制。
• 提出 PILOT-TSP 变体，利用轨迹采样策略探索多样化的轨迹模式，避免陷入局部极小值。
• 该方法实现了采样密度与轨迹形状的联合优化，隐式学习最优采样模式，而非依赖预定义的密度分布。
• 该方法通过回顾性数据进行验证，噪声鲁棒性通过训练和推理期间的 SNR 模拟进行测试。

实验结果

研究问题

• RQ1 端到端可微分优化 k 空间轨迹与图像重建，是否能超越固定或手工设计轨迹，在 MRI 加速和图像质量方面实现显著提升？
• RQ2 采集与重建的联合优化如何影响下游任务（如图像分割）的性能？
• RQ3 在信噪比（SNR）下降的情况下，所学习的轨迹在多大程度上仍能保持性能？
• RQ4 对梯度波形施加物理信息约束，如何影响优化轨迹的可行性与性能？
• RQ5 通过可微分物理模型进行轨迹优化，是否能优于非可微分或启发式轨迹设计方法？

主要发现

• 与径向或笛卡尔采样等固定轨迹相比，PILOT 在高降采样率下显著提升了图像重建质量与加速因子。
• 由于其数据驱动的、端到端优化轨迹与重建，而非拟合预定义采样密度，PILOT 在性能上超越了先前的最先进方法 SPARKLING。
• PILOT-TSP 有效缓解了轨迹优化中的局部极小值问题，使得在不同初始化下均能获得更一致且更高质量的重建结果。
• 该框架对噪声表现出强鲁棒性：在低 SNR 下训练的模型展现出更好的泛化能力，且轨迹通过在 k 空间集中采样点以平均噪声影响。
• 所学习的轨迹在不同 SNR 下呈现出不同的空间分布模式——高 SNR 时更分散，低 SNR 时更密集且聚集，表明其具备自适应采样行为。
• 该方法可泛化至分割任务，在使用 PILOT 优化轨迹训练后，下游分割网络的性能得到提升。