[论文解读] VS-Net: Variable splitting network for accelerated parallel MRI reconstruction

Jinming Duan, Jo Schlemper+8 more|arXiv (Cornell University)|Jul 19, 2019

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

一句话总结

VS-Net 是一种基于深度学习的端到端可训练网络，用于加速并行磁共振成像（MRI）重建，其将可变分裂优化方案展开为包含去噪、数据一致性和加权平均模块的神经网络。通过使用解析的逐点数据一致性层和通过卷积神经网络（CNN）学习的去噪方法，该方法在 4 倍和 6 倍加速的膝关节 MRI 数据上，实现了最先进的图像质量与计算效率，其峰值信噪比（PSNR）和结构相似性（SSIM）均优于先前方法。

ABSTRACT

In this work, we propose a deep learning approach for parallel magnetic resonance imaging (MRI) reconstruction, termed a variable splitting network (VS-Net), for an efficient, high-quality reconstruction of undersampled multi-coil MR data. We formulate the generalized parallel compressed sensing reconstruction as an energy minimization problem, for which a variable splitting optimization method is derived. Based on this formulation we propose a novel, end-to-end trainable deep neural network architecture by unrolling the resulting iterative process of such variable splitting scheme. VS-Net is evaluated on complex valued multi-coil knee images for 4-fold and 6-fold acceleration factors. We show that VS-Net outperforms state-of-the-art deep learning reconstruction algorithms, in terms of reconstruction accuracy and perceptual quality. Our code is publicly available at https://github.com/j-duan/VS-Net.

研究动机与目标

• 开发一种深度学习框架，能够高效地从高度欠采样的 k 空间数据中重建出高质量的并行 MRI 图像。
• 解决现有深度学习方法在处理具有复杂计算负担的多 coil MRI 数据时的局限性。
• 设计一种简单而有效的网络架构，将迭代可变分裂优化过程展开为可训练的神经网络。
• 与最先进的方法（如 VN 和 ℓ1-SPIRiT）相比，提升重建精度和感知质量。
• 研究可学习权重参数和网络深度对重建性能的影响。

提出的方法

• 利用可变分裂方法将并行压缩感知 MRI 重建建模为多变量能量最小化问题。
• 将迭代可变分裂优化过程展开为深度神经网络，包含三个主要模块：基于 CNN 的去噪器、解析的逐点数据一致性模块和可学习权重的加权平均模块。
• 采用罚函数法而非增广拉格朗日法，与基于 ALM 的方法相比，简化了网络架构。
• 以复数域多 coil MRI 数据作为输入，并在离线训练过程中端到端学习所有参数。
• 采用笛卡尔欠采样模式，并使用固定数量的阶段（例如 10 个）结合可学习权重以提升性能。
• 集成可学习的去噪 CNN 以隐式建模正则化，避免显式滤波核或矩阵求逆操作。

实验结果

研究问题

• RQ1 VS-Net 的性能如何随网络深度（阶段数）的增加而变化？
• RQ2 将数据一致性模块和加权平均模块中的权重参数设为可学习变量，其影响如何？
• RQ3 与最先进的方法（如 ℓ1-SPIRiT 和变分网络，VN）相比，VS-Net 在重建精度和感知质量方面表现如何？
• RQ4 是否可以有效将解析的逐点数据一致性层应用于多 coil MRI 数据，而无需迭代求解器？
• RQ5 使用基于 CNN 的去噪器实现隐式正则化，是否优于使用可学习滤波器的显式正则化方法？

主要发现

• 在所有协议和加速因子下，VS-Net 均取得了最高的 PSNR 和 SSIM，在 6 倍加速的矢状位 PD 协议中，平均 PSNR 达到 47.22 ± 2.89 dB。
• 在 6 倍加速下，VS-Net 在矢状位 PD 数据集中的 PSNR 比 VN 高 0.93 dB，SSIM 高 0.02。
• 当阶段数超过 10 后，VS-Net 的性能趋于饱和，表明更深的网络带来的收益递减。
• 在数据一致性和加权平均模块中引入可学习权重参数，相比固定权重，显著提升了定量指标。
• 视觉对比和更高的 SSIM 值证实，VS-Net 更好地保留了细微组织纹理，优于 ℓ1-SPIRiT 和 VN。
• 该方法无需昂贵的矩阵求逆或迭代求解器，实现了卓越的计算效率和数值稳定性。