[论文解读] Regularization-Agnostic Compressed Sensing MRI Reconstruction with Hypernetworks

Alan Q. Wang, Adrian V. Dalca+1 more|arXiv (Cornell University)|Jan 6, 2021

Advanced MRI Techniques and Applications参考文献 31被引用 10

一句话总结

本文提出了一种基于超网络的压缩感知磁共振成像重建方法，该方法根据正则化超参数实时生成重建网络权重，从而在无需微调的情况下实现跨多种正则化水平的快速推理。主要贡献在于提出了一种数据驱动的超参数采样策略，与均匀采样相比，显著提升了重建质量和多样性，其性能可与基线模型相媲美，同时保持了对正则化的无感知推理能力。

ABSTRACT

Reconstructing under-sampled k-space measurements in Compressed Sensing MRI (CS-MRI) is classically solved with regularized least-squares. Recently, deep learning has been used to amortize this optimization by training reconstruction networks on a dataset of under-sampled measurements. Here, a crucial design choice is the regularization function(s) and corresponding weight(s). In this paper, we explore a novel strategy of using a hypernetwork to generate the parameters of a separate reconstruction network as a function of the regularization weight(s), resulting in a regularization-agnostic reconstruction model. At test time, for a given under-sampled image, our model can rapidly compute reconstructions with different amounts of regularization. We analyze the variability of these reconstructions, especially in situations when the overall quality is similar. Finally, we propose and empirically demonstrate an efficient and data-driven way of maximizing reconstruction performance given limited hypernetwork capacity. Our code is publicly available at https://github.com/alanqrwang/RegAgnosticCSMRI.

研究动机与目标

• 为解决压缩感知磁共振成像重建中正则化权重对图像质量影响显著的超参数敏感性问题。
• 通过使单一模型能够在不重新训练的情况下生成多种正则化水平的重建结果，消除重复微调或超参数调优的需求。
• 通过在训练过程中学习正则化超参数的最优采样分布，提升泛化能力与重建多样性。
• 提供一种灵活高效的流程，使用户可根据视觉检查从多个高质量重建结果中进行选择。
• 证明在模型容量有限的情况下，数据驱动的超参数采样优于均匀采样，尤其在性能表现上更具优势。

提出的方法

• 训练一个超网络，使其作为正则化超参数的函数，动态生成重建网络的权重，实现在推理阶段的自适应调整。
• 该超网络以正则化权重为输入，输出一个独立重建网络（如U-Net类结构）的参数。
• 在训练过程中，评估两种采样策略：均匀超参数采样（UHS）与一种新颖的数据驱动非均匀采样（DHS）策略，后者聚焦于高RPSNR区域。
• DHS策略基于实际重建质量采样超参数，提升了模型容量的利用效率与性能表现。
• 通过在密集的超参数值网格上绘制RPSNR景观图，对重建质量进行评估，性能在全超参数空间内可视化并量化。
• 该方法通过改变输入正则化权重，可对单个欠采样k空间测量实现快速推理，生成多个重建结果。

实验结果

研究问题

• RQ1 单一深度学习模型是否能在不重新训练的情况下，对广泛范围的正则化超参数生成高质量的磁共振成像重建？
• RQ2 训练过程中超参数采样策略的选择如何影响重建结果的质量与多样性？
• RQ3 在模型容量有限的情况下，数据驱动的超参数采样是否能带来优于均匀采样的性能表现？
• RQ4 正则化无感知模型在多大程度上可达到传统基于特定超参数的基线模型的性能水平？
• RQ5 不同超网络容量与采样方法下，重建结果的范围如何变化？

主要发现

• 所提出的基于数据驱动的超参数采样（DHS）策略在性能上显著优于均匀采样，尤其在超网络容量受限时表现更优。
• 高容量超网络可实现接近基线模型的性能，但需付出更高的计算资源与训练时间成本。
• DHS策略在高RPSNR阈值下显著扩展了重建结果的像素级范围，表明尽管质量相似，图像特征的多样性更高。
• 即使RPSNR值几乎相同，同一输入测量的重建结果在平滑度与细节表现上仍存在显著差异，证明了模型生成多样化输出的能力。
• 与UHS相比，DHS模型的RPSNR景观图展现出更广阔且更高质量的区域，且超过关键RPSNR阈值的区域更大。
• 该方法可实现高效、实时的多重建结果生成，支持用户灵活选择，适用于临床或研究场景中的灵活工作流程。