[论文解读] Stochastic Optimization of 3D Non-Cartesian Sampling Trajectory (SNOPY)

Guanhua Wang, Jon‐Fredrik Nielsen+2 more|arXiv (Cornell University)|Sep 22, 2022

Advanced MRI Techniques and Applications被引用 6

一句话总结

SNOPY 提出了一种可微分的、数据驱动的框架，通过基于梯度的随机优化来优化 3D 非笛卡尔 MRI 采样轨迹。通过联合最小化图像质量损失、硬件约束、经颅磁刺激（PNS）效应和对比度目标，SNOPY 在模拟中将重建峰值信噪比（PSNR）提升高达 4 dB，在前瞻性扫描中提升 1.4 dB，同时将真实扫描中 PNS 严重程度从‘强烈’降低至‘轻度’。

ABSTRACT

Optimizing 3D k-space sampling trajectories for efficient MRI is important yet challenging. This work proposes a generalized framework for optimizing 3D non-Cartesian sampling patterns via data-driven optimization. We built a differentiable MRI system model to enable gradient-based methods for sampling trajectory optimization. By combining training losses, the algorithm can simultaneously optimize multiple properties of sampling patterns, including image quality, hardware constraints (maximum slew rate and gradient strength), reduced peripheral nerve stimulation (PNS), and parameter-weighted contrast. The proposed method can either optimize the gradient waveform (spline-based freeform optimization) or optimize properties of given sampling trajectories (such as the rotation angle of radial trajectories). Notably, the method optimizes sampling trajectories synergistically with either model-based or learning-based reconstruction methods. We proposed several strategies to alleviate the severe non-convexity and huge computation demand posed by the high-dimensional optimization. The corresponding code is organized as an open-source, easy-to-use toolbox. We applied the optimized trajectory to multiple applications including structural and functional imaging. In the simulation studies, the reconstruction PSNR of a 3D kooshball trajectory was increased by 4 dB with SNOPY optimization. In the prospective studies, by optimizing the rotation angles of a stack-of-stars (SOS) trajectory, SNOPY improved the PSNR by 1.4dB compared to the best empirical method. Optimizing the gradient waveform of a rotational EPI trajectory improved subjects' rating of the PNS effect from 'strong' to 'mild.' In short, SNOPY provides an efficient data-driven and optimization-based method to tailor non-Cartesian sampling trajectories.

研究动机与目标

• 开发一种通用的、可微分的框架，用于优化 MRI 中 3D 非笛卡尔 k 空间采样轨迹。
• 同时优化多个成像目标，包括图像质量、硬件约束（梯度 slew 率、梯度强度）、PNS 减少和对比度。
• 在统一框架内实现对自由形式梯度波形和现有轨迹参数（如堆叠星形轨迹的旋转角度）的优化。
• 将轨迹优化与基于模型和基于学习的重建方法相结合。
• 通过先进的数值策略应对 3D 轨迹优化中的高维、非凸性问题。

提出的方法

• 构建可微分的 MRI 系统模型，以支持基于梯度的采样轨迹优化。
• 将多个训练损失——图像质量（PSNR）、PNS 抑制、硬件限制和对比度——整合为统一的优化目标。
• 该方法支持两种模式：通过 B 样条参数化优化自由形式梯度波形，或优化现有轨迹参数（如堆叠星形轨迹的旋转角度）。
• 通过有效的雅可比近似、多级优化、SGLD（随机梯度朗之万动力学）以及粗到细的精细化策略，缓解非凸性问题。
• 该框架与基于模型和基于学习的重建方法兼容，并可扩展以在前向模型中包含系统非理想性（如涡流、B0 不均匀性）。
• 提供开源、模块化的工具箱，以确保可复现性并便于集成到现有工作流中。

实验结果

研究问题

• RQ1 是否能够通过统一的、可微分的框架在平衡图像质量、硬件限制和 PNS 效应的同时优化 3D 非笛卡尔采样轨迹？
• RQ2 与经验或解析轨迹设计相比，SNOPY 在模拟和前瞻性 MRI 扫描中如何提升图像质量？
• RQ3 SNOPY 在多大程度上可优化现有轨迹参数（如旋转角度），而不仅限于自由形式波形，从而提升实际可用性？
• RQ4 当训练与前瞻性成像协议之间存在分布偏移（如不同序列或解剖结构）时，SNOPY 的鲁棒性如何？
• RQ5 能否将系统非理想性（如涡流、梯度非线性）纳入优化过程，以增强实际应用中的鲁棒性？

主要发现

• 在模拟中，与基线相比，SNOPY 将 3D kooshball 轨迹的 PSNR 提升了 4 dB。
• 在前瞻性 3D 成像中，当优化堆叠星形轨迹的旋转角度时，SNOPY 相较于最佳经验方法将 PSNR 提升了 1.4 dB。
• 对于旋转 EPI，通过优化梯度波形，SNOPY 将受试者报告的 PNS 严重程度从‘强烈’降低至‘轻度’。
• 该方法在中等分布偏移下表现出鲁棒性，在 2D 实验中对不同解剖结构、对比度和厂商均提升了图像质量。
• SNOPY 的优化与现有校正方法（如涡流校正和 B0 信息重建）兼容。
• 通过 SGLD、多级优化和参数化策略，该框架有效处理了非凸性问题，实现了稳定且改进的收敛性。