[论文解读] Scan-specific Self-supervised Bayesian Deep Non-linear Inversion for Undersampled MRI Reconstruction

Andrew P. Leynes, Nikhil Deveshwar+2 more|arXiv (Cornell University)|Mar 1, 2022

Advanced MRI Techniques and Applications被引用 4

一句话总结

该论文提出了一种扫描特定的、自监督的贝叶斯深度非线性反演（DNLINV）方法，用于欠采样磁共振成像（MRI）重建，无需完全采样的数据或自动校准信号（ACS）。通过利用深度图像先验和近似贝叶斯推断，DNLINV 在无需外部数据集或校准扫描的情况下，实现了在多种解剖结构、对比度和采样模式下的最先进重建质量。

ABSTRACT

Magnetic resonance imaging is subject to slow acquisition times due to the inherent limitations in data sampling. Recently, supervised deep learning has emerged as a promising technique for reconstructing sub-sampled MRI. However, supervised deep learning requires a large dataset of fully-sampled data. Although unsupervised or self-supervised deep learning methods have emerged to address the limitations of supervised deep learning approaches, they still require a database of images. In contrast, scan-specific deep learning methods learn and reconstruct using only the sub-sampled data from a single scan. Here, we introduce Scan-Specific Self-Supervised Bayesian Deep Non-Linear Inversion (DNLINV) that does not require an auto calibration scan region. DNLINV utilizes a deep image prior-type generative modeling approach and relies on approximate Bayesian inference to regularize the deep convolutional neural network. We demonstrate our approach on several anatomies, contrasts, and sampling patterns and show improved performance over existing approaches in scan-specific calibrationless parallel imaging and compressed sensing.

研究动机与目标

• 为解决监督深度学习在MRI重建中的局限性，即需要大量完全采样的扫描数据。
• 克服并行成像和压缩感知方法中对自动校准信号（ACS）的依赖。
• 开发一种自监督、扫描特定的方法，仅使用单次扫描的子采样数据即可重建欠采样的MRI。
• 在不使用外部数据的情况下，提升不同解剖结构、对比度和采样模式下的图像质量和泛化能力。
• 将深度图像先验与近似贝叶斯推断相结合，为深度神经网络提供稳健的正则化。

提出的方法

• 该方法采用深度卷积神经网络（CNN）作为生成模型，通过深度图像先验初始化，以在无需预训练的情况下编码图像结构。
• 将MRI重建问题建模为贝叶斯推断任务，利用近似贝叶斯推断对网络进行正则化，减少对欠采样数据的过拟合。
• 该方法为自监督，即仅在单次扫描的子采样k空间数据上进行训练，无需完全采样的参考数据。
• 采用变分推断框架来近似图像参数的后验分布，从而实现不确定性量化并提升泛化能力。
• 该方法设计为扫描特定，可适应每次独立MRI采集的独特特征，而无需依赖先前扫描的数据集。
• 该方法适用于并行成像和压缩感知的采样模式，展现出在不同k空间轨迹下的灵活性。

实验结果

研究问题

• RQ1 自监督深度学习方法是否能在不依赖完全采样数据或自动校准信号的情况下实现高质量的MRI重建？
• RQ2 扫描特定的深度图像先验与贝叶斯正则化相结合，如何提升欠采样MRI中的重建保真度？
• RQ3 仅在子采样k空间数据上训练的方法，其在不同解剖结构、对比度和采样模式下的泛化能力达到何种程度？
• RQ4 近似贝叶斯推断的整合如何增强深度MRI重建中的鲁棒性和不确定性估计？
• RQ5 所提出的DNLINV方法在图像质量和重建精度方面是否优于现有的扫描特定和自监督方法？

主要发现

• 所提出的DNLINV方法在多种解剖区域和对比度下，相较于现有扫描特定和自监督方法，实现了更优的图像重建质量。
• 该方法在并行成像和压缩感知设置中均表现出一致的性能提升，即使在无法获取完全采样数据或ACS区域的情况下亦然。
• 通过消除对外部数据集或校准扫描的需求，该方法使得在完全采样数据不可用的临床环境中实用化部署成为可能。
• 深度图像先验与贝叶斯推断的结合，显著增强了泛化能力并减少了过拟合，尤其在低采样率条件下表现突出。
• 该方法实现了不确定性感知的重建，可提供图像质量与输出置信度的概率估计。
• 在基准数据集上，该方法在PSNR和SSIM指标上达到了最先进水平，定量上优于先前的扫描特定方法。