[论文解读] Synergistic Reconstruction and Synthesis via Generative Adversarial Networks for Accelerated Multi-Contrast MRI

Salman Ul Hassan Dar, Mahmut Yurt+3 more|arXiv (Cornell University)|May 27, 2018

Advanced MRI Techniques and Applications参考文献 26被引用 13

一句话总结

该论文提出了一种基于条件生成对抗网络（cGAN）的方法，用于加速多对比度磁共振成像中的协同重建与合成，通过利用源对比度和欠采样目标对比度数据中的共享高频细节，以保持图像保真度。该方法通过联合重建欠采样的k空间并合成缺失的对比度，同时最小化伪影，在高加速因子下优于最先进方法，显著提升了图像质量。

ABSTRACT

Multi-contrast MRI acquisitions of an anatomy enrich the magnitude of information available for diagnosis. Yet, excessive scan times associated with additional contrasts may be a limiting factor. Two mainstream approaches for enhanced scan efficiency are reconstruction of undersampled acquisitions and synthesis of missing acquisitions. In reconstruction, performance decreases towards higher acceleration factors with diminished sampling density particularly at high-spatial-frequencies. In synthesis, the absence of data samples from the target contrast can lead to artefactual sensitivity or insensitivity to image features. Here we propose a new approach for synergistic reconstruction-synthesis of multi-contrast MRI based on conditional generative adversarial networks. The proposed method preserves high-frequency details of the target contrast by relying on the shared high-frequency information available from the source contrast, and prevents feature leakage or loss by relying on the undersampled acquisitions of the target contrast. Demonstrations on brain MRI datasets from healthy subjects and patients indicate the superior performance of the proposed method compared to previous state-of-the-art. The proposed method can help improve the quality and scan efficiency of multi-contrast MRI exams.

研究动机与目标

• 通过实现更快的扫描来解决多对比度磁共振成像中扫描时间过长的挑战。
• 克服现有重建与合成方法的局限性，这些方法存在高频细节丢失或特征泄漏的问题。
• 开发一种统一框架，协同利用欠采样的目标对比度数据和源对比度信息，以提升图像质量。
• 在加速多对比度磁共振成像扫描中保留精细解剖细节并减少伪影。

提出的方法

• 该方法采用条件生成对抗网络（cGAN），以目标对比度的欠采样k空间数据和源对比度数据作为输入。
• 生成器网络通过利用不同对比度之间的共享高频内容，训练以重建高质量图像。
• 判别器网络用于区分真实图像与生成图像，以确保感知真实感和结构保真度。
• 模型通过结合对抗损失、感知损失和重建损失的联合损失函数进行端到端训练。
• 显式利用源对比度中的高频细节，以指导目标对比度的重建，从而增强纹理和边缘保留。
• 通过依赖目标对比度的实际欠采样数据，防止特征泄漏，确保解剖准确性。

实验结果

研究问题

• RQ1 统一的深度学习框架能否有效结合重建与合成，以在加速多对比度磁共振成像中提升图像质量？
• RQ2 利用源对比度中的共享高频信息在多大程度上能提升重建和合成的目标对比度图像的保真度？
• RQ3 与独立的重建或合成方法相比，所提出方法在多大程度上能减少伪影并保留精细解剖细节？
• RQ4 在传统方法性能下降的高加速因子下，该模型表现如何？
• RQ5 使用目标对比度的实际欠采样数据是否能防止合成过程中的特征泄漏？

主要发现

• 所提出方法在高加速因子下显著优于最先进重建与合成技术，尤其在保留高频细节方面表现突出。
• 在健康受试者和患者脑部MRI数据集上的定量评估显示，与基线方法相比，PSNR和SSIM指标表现更优。
• 通过结合实际欠采样数据与源对比度的高频先验，该模型有效减少了伪影并保持了解剖准确性。
• 视觉评估证实，重建和合成图像的结构一致性得到改善，模糊现象减少。
• 重建与合成的协同使用使图像纹理更逼真，边缘保留效果优于单独使用任一方法。
• 该方法在多种解剖结构和扫描协议下均表现出稳健性能，显示出良好的泛化能力。