[论文解读] Retrospective Motion Correction in Gradient Echo MRI by Explicit Motion Estimation Using Deep CNNs

Mathias S. Feinler, Bernadette N. Hahn|arXiv (Cornell University)|Mar 30, 2023

Advanced MRI Techniques and Applications被引用 4

一句话总结

本文提出了一种基于深度学习的回溯性运动伪影校正方法，用于梯度回波MRI，通过深度卷积神经网络（Deep CNNs）显式估计运动。利用SENSE冗余性和两阶段网络（估计与校正），该方法在图像质量上优于生成对抗网络（GANs）和刚性模型，具有较低的残差误差和数据一致性，结合优化的NUFFT，实现了临床可行的20秒重建时间。

ABSTRACT

Magnetic Resonance Imaging allows high resolution data acquisition with the downside of motion sensitivity due to relatively long acquisition times. Even during the acquisition of a single 2D slice, motion can severely corrupt the image. Retrospective motion correction strategies do not interfere during acquisition time but operate on the motion affected data. Known methods suited to this scenario are compressed sensing (CS), generative adversarial networks (GANs), and motion estimation. In this paper we propose a strategy to correct for motion artifacts using Deep Convolutional Neuronal Networks (Deep CNNs) in a reliable and verifiable manner by explicit motion estimation. The sensitivity encoding (SENSE) redundancy that multiple receiver coils provide, has in the past been used for acceleration, noise reduction and rigid motion compensation. We show that using Deep CNNs the concepts of rigid motion compensation can be generalized to more complex motion fields. Using a simulated synthetic data set, our proposed supervised network is evaluated on motion corrupted MRIs of abdomen and head. We compare our results with rigid motion compensation and GANs.

研究动机与目标

• 解决多期相梯度回波MRI中的运动伪影问题，此类伪影因长时间扫描期间的生理运动而降低图像质量。
• 克服现有回溯性方法（尤其是GANs和隐式运动模型）的局限性，这些方法缺乏数据一致性或存在模式崩溃问题。
• 通过深度卷积神经网络显式估计形变场，构建一种可靠且可验证的运动校正框架。
• 通过在合成数据上进行监督学习，将刚性运动补偿推广至非刚性、复杂的运动场。
• 通过显式形变场计算和迭代优化，确保数据一致性和低重建误差。

提出的方法

• 使用监督式深度卷积神经网络（估计网络）从运动污染的k空间数据中预测形变场，利用多接收线圈的SENSE冗余性。
• 实施级联式校正网络，利用估计的形变场对重建结果进行优化，以最小化数据不一致性。
• 应用轨迹优化的非均匀快速傅里叶变换（NUFFT）实现高效的k空间到图像空间转换，提升GPU上的计算效率。
• 在图像域中使用共轭梯度（CG）迭代求解数据一致性问题，确保最终重建结果与采集的k空间数据一致。
• 在校正网络中引入总变差（TV）正则化，以抑制噪声并增强边缘保持能力。
• 在脑部和腹部的合成运动污染MR数据上进行网络训练，模拟真实运动模式和噪声水平。

ground truth $s^{\mathrm{ref}}$

实验结果

研究问题

• RQ1 通过深度卷积神经网络显式估计运动，是否能在图像质量和数据一致性方面优于基于GAN的方法和刚性运动校正方法？
• RQ2 监督式CNN在多期相GRE-MRI中，从合成数据泛化到真实运动伪影的程度如何？
• RQ3 与隐式或对抗性方法相比，显式形变场的引入在多大程度上提升了重建精度？
• RQ4 在临床环境中，考虑到重建时间和硬件限制，该方法的计算可行性如何？
• RQ5 在腹部和脑部成像中，面对不同噪声水平和复杂运动模式，该方法是否保持鲁棒性？

主要发现

• 在无噪声（0%噪声）的Brain Yale数据集上，所提方法的PSNR达到41.18 dB，SSIM为0.9900，显著优于GANs（PSNR 29.37 dB）和刚性模型（PSNR 38.69 dB）。
• 在无噪声的腹部数据集上，该方法的PSNR达到37.38 dB，SSIM为0.976，优于刚性校正（PSNR 30.74 dB）和GANs（PSNR 27.57 dB）。
• 在5%噪声条件下，该方法仍保持高性能（腹部PSNR 35.58 dB，脑部PSNR 41.39 dB），表明对测量噪声具有鲁棒性。
• 残差误差降低至2.687（腹部，5%噪声）和1.911（脑部，0%噪声），表明具有强数据一致性和低重建误差。
• 整体计算时间约为每幅扫描20秒，使用NUFFT，具备临床部署可行性。
• 引入TV正则化后，SSIM进一步提升，MSE降低，证实正则化在提升图像质量方面的有效性。

ground truth $U^{\mathrm{ref}}_{13}$