[论文解读] Reducing Uncertainty in Undersampled MRI Reconstruction with Active Acquisition

Zizhao Zhang, Adriana Romero+4 more|arXiv (Cornell University)|Feb 8, 2019

Medical Imaging Techniques and Applications参考文献 40被引用 10

一句话总结

本文提出了一种用于欠采样磁共振成像（MRI）重建的主动采集框架，通过动态选择k空间测量以最小化重建不确定性。通过联合训练重建网络与不确定性估计，以及可学习的评估器网络，该方法在膝关节MRI和ImageNet数据集上均优于启发式基线方法，在降低误差和提升图像质量方面表现更优。

ABSTRACT

The goal of MRI reconstruction is to restore a high fidelity image from partially observed measurements. This partial view naturally induces reconstruction uncertainty that can only be reduced by acquiring additional measurements. In this paper, we present a novel method for MRI reconstruction that, at inference time, dynamically selects the measurements to take and iteratively refines the prediction in order to best reduce the reconstruction error and, thus, its uncertainty. We validate our method on a large scale knee MRI dataset, as well as on ImageNet. Results show that (1) our system successfully outperforms active acquisition baselines; (2) our uncertainty estimates correlate with error maps; and (3) our ResNet-based architecture surpasses standard pixel-to-pixel models in the task of MRI reconstruction. The proposed method not only shows high-quality reconstructions but also paves the road towards more applicable solutions for accelerating MRI.

研究动机与目标

• 通过实现自适应、数据驱动的测量采集，解决欠采样MRI中的高重建不确定性问题。
• 通过迭代选择最具信息量的k空间测量，减少推理过程中的不确定性。
• 通过联合优化图像重建与像素级不确定性估计，提升MRI重建的保真度。
• 通过将不确定性作为停止采集的准则，实现实用、实时的MRI加速。

提出的方法

• 引入双流网络架构：一个重建网络，输出高保真图像和像素级不确定性图。
• 端到端训练重建网络，损失函数结合像素级重建误差与不确定性校准。
• 设计可学习的评估器网络，用于预测每项未采集的k空间测量所能带来的预期误差减少量。
• 利用评估器指导主动采集，选择最能有效减少后续重建不确定性的测量。
• 首先应用零填充重建作为初始估计，然后通过选择的测量迭代优化预测结果。
• 采用新颖的训练策略训练评估器，基于预期重建性能提升分配分数，而非对抗性或仅回归的目标。

实验结果

研究问题

• RQ1 可学习的评估器网络是否能在减少MRI重建不确定性方面优于标准的启发式k空间采样策略？
• RQ2 在欠采样MRI中，预测的不确定性图与实际重建误差的相关性如何？
• RQ3 基于残差的重建网络结合不确定性估计，是否在MRI重建质量上优于标准的像素级预测模型？
• RQ4 不确定性估计能否有效用作停止信号，在保持高图像保真度的同时终止采集？

主要发现

• 所提出的评估器网络在膝关节MRI和ImageNet数据集上均持续优于标准主动采集启发式方法（如随机采样、按频率排序），显著降低了重建误差。
• 模型生成的不确定性图与实际重建误差高度相关，验证了其作为采集终止可靠信号的有效性。
• 与标准像素到像素模型相比，基于ResNet的重建架构在保留细节和减少伪影方面表现更优，尤其在复杂纹理区域。
• 与基线方法相比，该方法在测量效率方面更具优势，达到特定重建质量所需k空间样本更少。
• 在ImageNet数据集上，该方法在top-k分类准确率上达到或超过随机采样+C+R基线，证明了对语义细节的有效恢复能力。
• 消融实验证实，所提出的评估器训练策略在满足“测量越多分数越高”与“方差越低”两方面均表现最优，优于二值标签和仅回归的替代方案。