[论文解读] Robust Compressed Sensing MRI with Deep Generative Priors

Ajil Jalal, Marius Arvinte+4 more|arXiv (Cornell University)|Aug 3, 2021

Sparse and Compressive Sensing Techniques参考文献 79被引用 46

一句话总结

本文在 CSGM 框架中应用了 score-based generative prior 于 multi-coil MRI，使用 Langevin posterior sampling 进行鲁棒、对分布迁移具容忍性的重建与不确定性量化。

ABSTRACT

The CSGM framework (Bora-Jalal-Price-Dimakis'17) has shown that deep generative priors can be powerful tools for solving inverse problems. However, to date this framework has been empirically successful only on certain datasets (for example, human faces and MNIST digits), and it is known to perform poorly on out-of-distribution samples. In this paper, we present the first successful application of the CSGM framework on clinical MRI data. We train a generative prior on brain scans from the fastMRI dataset, and show that posterior sampling via Langevin dynamics achieves high quality reconstructions. Furthermore, our experiments and theory show that posterior sampling is robust to changes in the ground-truth distribution and measurement process. Our code and models are available at: \url{https://github.com/utcsilab/csgm-mri-langevin}.

研究动机与目标

• 在不假设固定测量方案的前提下，展示用 score-based generator 的 CSGM 在复数值 MR 图像上的成功应用。
• 表明使用 Langevin dynamics 的后验采样在多样的采样模式和解剖结构下能够产生高质量的 MRI 重建。
• 评估该方法对分布偏移的鲁棒性以及通过多次后验采样提供不确定性量化的能力。

提出的方法

• 在脑 MRI 截面上训练一个 score-based generative model (NCSNv2) 以捕捉复杂值 MR 图像统计。
• 使用 Langevin dynamics 的后验采样从一般前向模型 A 与观测 y 下的后验 mu(x|y) 中获取重建。
• 结合带有 score estimate 的退火 Langevin 方案以及考虑测量噪声的数据保真项。
• 采用多线圈 MRI 的前向模型，包含线圈灵敏度与 k-space 采样以定义 A，在训练期间不假设特定的采样方案。

实验结果

研究问题

• RQ1 在不同采样模式下，是否在脑 MRI 上训练的 score-based generative prior 能够重建其他解剖部位（如膝部、腹部）？
• RQ2 与端到端监督方法相比，使用学习到的先验进行后验采样对解剖结构与测量过程中的分布偏移是否具有鲁棒性？
• RQ3 后验采样是否为重建的 MR 图像提供可靠的不确定性量化？
• RQ4 在现实的加速 MRI 条件下，该方法相对于传统的稀疏表示基础方法和端到端方法的表现如何？

主要发现

• 使用具有 score-based generator 的后验采样在分布内重建具有竞争力，并且对分布外的采样模式和解剖结构表现出鲁棒性。
• 该方法能够从后验中获得多次重建，进而实现体素级的不确定性估计。
• 该方法在测试时对分布偏移具有鲁棒性，在某些情景下能比某些端到端基线更好地处理采样模式和解剖结构的变化。
• 在面对未见解剖（如腹部、膝关节）和变化的线圈配置时，提供了更少伪影的定性改进。