[论文解读] Real-time Dynamic MRI Reconstruction using Stacked Denoising Autoencoder

Angshul Majumdar|arXiv (Cornell University)|Mar 22, 2015

Advanced MRI Techniques and Applications参考文献 38被引用 13

一句话总结

本文提出一种基于堆叠去噪自编码器（SDAE）的实时动态MRI重建方法，用于学习从欠采样k空间数据到完全采样图像的非线性映射。SDAE通过简单的矩阵-向量运算实现快速推理，重建速度超过数据采集速率，同时保持与基于压缩感知方法相当的图像质量。

ABSTRACT

In this work we address the problem of real-time dynamic MRI reconstruction. There are a handful of studies on this topic; these techniques are either based on compressed sensing or employ Kalman Filtering. These techniques cannot achieve the reconstruction speed necessary for real-time reconstruction. In this work, we propose a new approach to MRI reconstruction. We learn a non-linear mapping from the unstructured aliased images to the corresponding clean images using a stacked denoising autoencoder (SDAE). The training for SDAE is slow, but the reconstruction is very fast - only requiring a few matrix vector multiplications. In this work, we have shown that using SDAE one can reconstruct the MRI frame faster than the data acquisition rate, thereby achieving real-time reconstruction. The quality of reconstruction is of the same order as a previous compressed sensing based online reconstruction technique.

研究动机与目标

• 为解决现有实时动态MRI重建技术速度过慢、难以用于临床的问题。
• 开发一种在不牺牲图像质量的前提下实现真正实时重建速度的方法。
• 利用深度学习实现从欠采样图像到完全重建MRI帧的快速非线性映射。
• 证明基于SDAE的重建方法在重建速度上优于传统的压缩感知和卡尔曼滤波方法。

提出的方法

• 端到端训练堆叠去噪自编码器（SDAE），以学习从非结构化欠采样MRI帧到对应完全采样、高质量图像的非线性映射。
• SDAE使用大规模配对的欠采样与真实MRI帧数据集进行离线训练，训练过程中注入噪声以提升鲁棒性。
• 推理阶段仅需通过SDAE进行前向传播，涉及少量矩阵-向量乘法运算，从而实现实时性能。
• 该架构由多个堆叠的去噪自编码器组成，每一层学习输入数据的分层特征。
• 模型通过反向传播进行优化，采用重建损失函数以最小化预测图像与真实图像之间的差异。
• 根据实现方式，该方法可直接应用于k空间数据或图像域数据，以重建动态MRI序列。

实验结果

研究问题

• RQ1 深度自编码器架构能否实现比数据采集速率更快的实时动态MRI重建？
• RQ2 基于SDAE的方法能否实现与最先进压缩感知技术相当的图像质量？
• RQ3 SDAE能否在极少微调的情况下良好泛化到未见过的动态MRI序列？
• RQ4 与卡尔曼滤波和压缩感知相比，SDAE在重建速度和精度方面表现如何？

主要发现

• 基于SDAE的方法实现了超过数据采集速率的重建速度，实现了真正的实时动态MRI重建。
• SDAE重建图像的质量与先前基于压缩感知的在线重建技术相当。
• 推理阶段每帧仅需少量矩阵-向量乘法运算，确保计算延迟极低。
• 由于去噪训练目标，SDAE对噪声和欠采样伪影表现出强鲁棒性。
• 离线训练阶段计算量较大，但推理阶段高度高效，适合实时部署。