[论文解读] Towards multi-sequence MR image recovery from undersampled k-space data

Peng Cheng, Wei-An Lin+2 more|arXiv (Cornell University)|Aug 15, 2019

Advanced MRI Techniques and Applications参考文献 16被引用 5

一句话总结

该论文提出了一种盲恢复模型（BRM），用于从欠采样的k空间数据中重建多序列MRI，在全局时间预算下联合优化采样策略与基于深度学习的恢复方法。通过利用多输入单输出卷积神经网络（CNN）在序列间共享信息，该方法优于逐序列恢复，实测数据中PSNR最高达40.07 dB，SSIM达0.987，同时实现75%的时间节省。

ABSTRACT

Undersampled MR image recovery has been widely studied for accelerated MR acquisition. However, it has been mostly studied under a single sequence scenario, despite the fact that multi-sequence MR scan is common in practice. In this paper, we aim to optimize multi-sequence MR image recovery from undersampled k-space data under an overall time constraint while considering the difference in acquisition time for various sequences. We first formulate it as a constrained optimization problem and then show that finding the optimal sampling strategy for all sequences and the best recovery model at the same time is combinatorial and hence computationally prohibitive. To solve this problem, we propose a blind recovery model that simultaneously recovers multiple sequences, and an efficient approach to find proper combination of sampling strategy and recovery model. Our experiments demonstrate that the proposed method outperforms sequence-wise recovery, and sheds light on how to decide the undersampling strategy for sequences within an overall time budget.

研究动机与目标

• 为在固定时间预算下加速多序列MRI采集并保持图像质量提供解决方案。
• 将采样策略与恢复模型的联合优化形式化为约束问题，避免组合复杂性。
• 开发一种盲恢复模型，利用跨序列冗余实现多序列的同时重建。
• 实现在不为每种配置训练专用模型的前提下，高效搜索各序列的最优采样因子。
• 证明联合重建在图像质量与效率方面均优于独立的单序列重建。

提出的方法

• 将多序列MRI重建建模为一个约束优化问题，平衡总采集时间与图像质量。
• 提出一种盲恢复模型（BRM），通过共享的CNN编码器同时处理多个欠采样序列，以利用序列间的冗余信息。
• 采用MIMO（多输入、多输出）训练策略，学习序列间联合的采样与重建模式。
• 在微调阶段引入循环损失，使BRM适应特定的采样因子组合。
• 通过采样因子（λs）的启发式搜索，识别在时间约束下能最大化重建质量的高性能组合。
• 利用零填充（ZF）性能作为代理指标，预测BRM性能，从而减少对全面模型训练的需求。

实验结果

研究问题

• RQ1 在固定总采集时间下，多序列MRI的最优采样策略是什么？
• RQ2 一个单一的深度学习模型能否通过利用共享的结构信息，有效实现多个MRI序列的同时恢复？
• RQ3 在图像质量与计算效率方面，联合多序列恢复与独立单序列恢复相比有何差异？
• RQ4 ZF性能在多大程度上能够预测不同采样配置下盲恢复模型的性能？
• RQ5 所提出的方法如何适应序列间非均匀的采集时间比例？

主要发现

• 所提出的BRM在实测数据中实现了40.07 dB的PSNR与0.987的SSIM，时间节省达75%（Tmax = T/4），优于SISO与MIMO基线方法。
• 基于MIMO的BRM在1:1:1时间分配下，实测数据中达到39.24 dB的PSNR与0.984的SSIM，显著优于SISO（38.57 dB，0.980 SSIM）。
• 该方法识别出T2加权序列在更高采样率下受益最大，因其提供更优的组织对比度，有助于整体重建质量提升。
• ZF性能与BRM性能之间的相关性不稳定，验证了需要专用BRM来预测最优配置的必要性。
• 在表现最佳的采样因子上对BRM进行微调，PSNR最高提升0.9 dB，证明了自适应模型优化的有效性。
• 该方法成功适应了非均匀的时间分配，当T1序列采集时间较短时，增加了其采样频率，同时保持了T2与FLAIR序列的高质量重建。