[论文解读] Self-Score: Self-Supervised Learning on Score-Based Models for MRI Reconstruction

Zhuo‐Xu Cui, Chentao Cao+6 more|arXiv (Cornell University)|Sep 2, 2022

Advanced Neuroimaging Techniques and Applications被引用 16

一句话总结

本文提出 Self-Score，一种用于 MRI 重建的自监督得分扩散模型，该模型仅从 undersampled k-space 数据中学习完全采样 MR 图像的先验，采用贝叶斯深度学习与得分匹配方法。该方法在无需任何完全采样训练数据的情况下，实现了与完全监督得分模型相当的重建性能。

ABSTRACT

Recently, score-based diffusion models have shown satisfactory performance in MRI reconstruction. Most of these methods require a large amount of fully sampled MRI data as a training set, which, sometimes, is difficult to acquire in practice. This paper proposes a fully-sampled-data-free score-based diffusion model for MRI reconstruction, which learns the fully sampled MR image prior in a self-supervised manner on undersampled data. Specifically, we first infer the fully sampled MR image distribution from the undersampled data by Bayesian deep learning, then perturb the data distribution and approximate their probability density gradient by training a score function. Leveraging the learned score function as a prior, we can reconstruct the MR image by performing conditioned Langevin Markov chain Monte Carlo (MCMC) sampling. Experiments on the public dataset show that the proposed method outperforms existing self-supervised MRI reconstruction methods and achieves comparable performances with the conventional (fully sampled data trained) score-based diffusion methods.

研究动机与目标

• 解决训练基于得分的扩散模型时完全采样 MRI 数据获取受限的挑战。
• 开发一种自监督学习框架，仅从 undersampled k-space 数据中学习完全采样 MR 图像的先验。
• 在无需完全采样数据的情况下，保持高重建精度和在不同采样轨迹上的泛化能力。
• 在特定条件下，为从 undersampled 数据估计得分函数提供理论依据。

提出的方法

• 该方法利用贝叶斯深度学习，从未采样 k-space 数据中推断完全采样 MR 图像的分布。
• 通过在推断分布上进行得分匹配，估计完全采样图像分布的得分函数（对数概率密度的梯度）。
• 学习到的得分函数作为先验，用于条件 Langevin MCMC 采样，以从未采样数据中重建 MR 图像。
• 该方法利用变分推理框架，近似给定未采样测量值的完全采样图像的后验分布。
• 通过在扰动的未采样数据分布上使用去噪得分匹配目标，端到端训练得分函数。
• 重建过程执行基于未采样 k-space 测量值的迭代 Langevin 动力学采样，由学习到的得分函数引导。

实验结果

研究问题

• RQ1 基于得分的扩散模型是否能在无任何完全采样训练数据的情况下，学习到高质量的先验用于 MRI 重建？
• RQ2 是否可以仅使用未采样 k-space 数据准确估计完全采样 MR 图像分布的得分？
• RQ3 所提出的自监督方法在不同采样轨迹和数据偏移下的泛化性能如何？
• RQ4 自监督得分模型能否实现与完全监督得分扩散模型相当的重建质量？

主要发现

• 所提出的 Self-Score 方法在无任何完全采样数据训练的情况下，于公开数据集上实现了与完全监督得分扩散模型相当的 MRI 重建性能。
• 在重建精度和不同采样轨迹的泛化能力方面，该方法优于现有自监督 MRI 重建方法。
• 在数据偏移（如加速度因子变化或 k-space 采样模式改变）下，模型仍保持优异性能，展现出强大的泛化能力。
• 理论分析表明，在较温和条件下，可一致地从未采样数据估计完全采样图像分布的得分函数，为该方法的有效性提供了理论基础。
• 实证结果证实，自监督得分先验可借助 Langevin MCMC 采样实现高质量图像生成，即使监督信息有限。