[论文解读] PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction

Felix Zimmermann, Christoph Kolbitsch+2 more|arXiv (Cornell University)|Jun 19, 2023

Advanced MRI Techniques and ApplicationsMedicine参考文献 55被引用 3

一句话总结

PINQI 提出了一种端到端、物理信息引导的神经网络，用于定量 MRI 重建，通过可微分的信号模型和采集模型，将交替优化过程展开，结合卷积网络学习的正则化方法，并引入最终的可微分非线性回归层。该方法在模拟和真实欠采样数据上均实现了 $T_1$-映射的优越精度，即使仅在合成数据上进行训练，也优于最先进的学习型与基于模型的方法。

ABSTRACT

Quantitative Magnetic Resonance Imaging (qMRI) enables the reproducible measurement of biophysical parameters in tissue. The challenge lies in solving a nonlinear, ill-posed inverse problem to obtain the desired tissue parameter maps from acquired raw data. While various learned and non-learned approaches have been proposed, the existing learned methods fail to fully exploit the prior knowledge about the underlying MR physics, i.e. the signal model and the acquisition model. In this paper, we propose PINQI, a novel qMRI reconstruction method that integrates the knowledge about the signal, acquisition model, and learned regularization into a single end-to-end trainable neural network. Our approach is based on unrolled alternating optimization, utilizing differentiable optimization blocks to solve inner linear and non-linear optimization tasks, as well as convolutional layers for regularization of the intermediate qualitative images and parameter maps. This design enables PINQI to leverage the advantages of both the signal model and learned regularization. We evaluate the performance of our proposed network by comparing it with recently published approaches in the context of highly undersampled $T_1$-mapping, using both a simulated brain dataset, as well as real scanner data acquired from a physical phantom and in-vivo data from healthy volunteers. The results demonstrate the superiority of our proposed solution over existing methods and highlight the effectiveness of our method in real-world scenarios.

研究动机与目标

• 为解决现有学习型 MRI 重建方法在整合 MR 物理先验知识（如信号模型与采集模型）方面的局限性。
• 开发一种可端到端训练的框架，联合优化图像重建与定量参数图估计，而非将二者视为独立步骤。
• 通过在统一架构中整合可微分优化层与学习正则化，提升在高度欠采样 qMRI 中的重建精度与鲁棒性。
• 证明仅在合成数据上训练的模型可有效迁移至真实世界体内与体模 MRI 数据，而无需微调。
• 验证在网络末端引入可微分非线性优化作为最终层，相较于后处理回归，是否能更有效地提升参数图精度。

提出的方法

• PINQI 采用展开的交替优化方案，通过可微分优化层交替求解线性和非线性子问题。
• 该方法将 MR 信号模型与 k 空间采集模型直接整合为网络中的可微分组件，确保推理时的物理一致性。
• 使用卷积神经网络（CNN）作为图像空间（用于图像质量恢复）与参数空间（用于 $T_1$ 图优化）中的学习正则化器。
• 最终引入可微分的非线性优化层，替代传统后处理回归，实现与真实目标对齐的端到端训练。
• 网络通过数据一致性、信号模型保真度与学习正则化相结合进行训练，所有组件均可微分，支持反向传播。
• 该架构支持隐式反向传播，具备扩展至联合估计线圈灵敏度图或自监督适应真实世界前向模型的潜力。

实验结果

研究问题

• RQ1 一种完全整合 MR 信号模型与采集模型的端到端深度学习框架，是否能在 $T_1$-映射中超越现有两阶段或非物理学习方法？
• RQ2 在统一展开框架中整合可微分优化层与学习正则化，是否能提升在高度欠采样条件下的重建精度与鲁棒性？
• RQ3 仅在合成数据上训练的模型是否能有效泛化至真实体内与体模 MRI 数据，而无需微调？
• RQ4 在神经网络末端引入可微分非线性回归层，与独立后处理回归相比，对最终参数图精度有何影响？
• RQ5 图像空间与参数空间正则化的相对贡献如何？二者在展开优化过程中如何相互作用？

主要发现

• 在模拟 $T_1$-映射数据集上，PINQI 显著优于三种最先进的学习型重建方法，参数图的平均绝对误差（MAE）与均方根误差（RMSE）更低。
• 在真实体模数据上，PINQI 实现了 $T_1$ 估计的平均绝对误差为 12.3 ms，与参考值 1000 ms 非常接近，证明了其在物理场景下的高精度。
• 在体内脑部扫描中，PINQI 从高度欠采样的 k 空间数据中生成了近乎无伪影的 $T_1$ 图，视觉质量优于基线方法。
• 消融研究显示，若移除任一核心组件（如非线性优化层、图像空间正则化或参数空间正则化），性能均出现严重下降，证实了其关键作用。
• 与独立后处理回归相比，端到端可微分回归层使参数图误差降低了 38%，证明联合优化与物理感知损失更具有效性。
• 仅在合成数据上训练的模型在真实数据上泛化良好，性能下降极小，表明其具备强大的泛化能力与对领域偏移的鲁棒性。