[论文解读] XPDNet for MRI Reconstruction: an application to the 2020 fastMRI challenge

Zaccharie Ramzi, Philippe Ciuciu+1 more|arXiv (Cornell University)|Oct 15, 2020

Medical Imaging Techniques and ApplicationsMedicine被引用 19

一句话总结

XPDNet 是一种基于深度学习的 MRI 重建网络，通过展开原始-对偶混合梯度（PDHG）算法，结合多尺度小波 CNN 进行图像去噪以及 U-Net 进行敏感度图优化。在 2020 年 fastMRI 挑战赛中，该方法在 4× 和 8× 加速因子下均获得第二名，展示了在脑部和膝关节 MRI 数据集上 PSNR 和 NMSE 指标的最先进性能。

ABSTRACT

We present a new neural network, the XPDNet, for MRI reconstruction from periodically under-sampled multi-coil data. We inform the design of this network by taking best practices from MRI reconstruction and computer vision. We show that this network can achieve state-of-the-art reconstruction results, as shown by its ranking of second in the fastMRI 2020 challenge.

研究动机与目标

• 开发一种可学习、高效且准确的 MRI 重建方法，以超越传统的压缩感知和平行成像技术。
• 解决 MRI 重建中手工设计组件的局限性，例如正则化、优化参数和敏感度图估计。
• 设计一种模块化神经网络架构，实现端到端学习，同时保持可解释性和计算效率。
• 在使用多 coil undersampled k-space 数据的前提下，实现在高加速度因子（4× 和 8×）下的高质量重建。

提出的方法

• XPDNet 是一种跨域展开网络，交替在图像域和 k-space 测量之间进行，受 PDHG 优化算法的启发。
• 它使用包含前 5 次迭代的可学习缓冲区，以自适应调整优化参数（如步长和动量）。
• 图像校正网络采用轻量级多尺度小波 CNN（MWCNN），通过减少滤波器数量，以在内存限制下支持更多展开迭代。
• 引入基于 U-Net 的敏感度图精炼模块，用于优化从低频 k-space 数据初始估计的线圈敏感度图。
• 不使用 k-space 校正网络以减少内存占用，转而依赖图像域去噪器和图像域内的数据一致性。
• 网络采用复合损失函数，结合 L1 损失和多尺度 SSIM，使用 RAdam 优化器在每个加速度因子下训练 100 个周期，并在对比度特定数据上进行微调。

实验结果

研究问题

• RQ1 可学习的 PDHG 算法展开是否能在速度和准确性方面超越传统的基于优化的 MRI 重建方法？
• RQ2 在 MRI 背景下，与标准 CNN 相比，多尺度小波 CNN 的集成在多大程度上提升了图像重建质量？
• RQ3 通过轻量级 U-Net 实现的敏感度图精炼，在不增加计算成本的前提下，能在多大程度上提升重建保真度？
• RQ4 缺乏 k-space 校正网络是否会影响性能，如果是，其他组件如何保持图像质量？
• RQ5 模块化、展开式架构是否能在不同 MRI 对比度和加速度因子下实现泛化，同时保持最先进性能？

主要发现

• XPDNet 在 2020 年 fastMRI 挑战赛中，4× 和 8× 加速因子下均获得第二名，在所有对比度的 PSNR 指标中排名第二。
• 在 4× 加速下，平均 PSNR 分别为 41.56（T1）、40.68（T2）、39.60（FLAIR）和 42.53（T1POST），SSIM 值均高于 0.93。
• 在 8× 加速下，平均 PSNR 分别为 38.57（T1）、37.41（T2）、36.81（FLAIR）和 38.90（T1POST），SSIM 值在 0.9086 到 0.9517 之间。
• 在 4× 加速下，网络重建结果与真实值的视觉差异极小，8× 加速下仅可见轻微模糊，表明对高欠采样具有强鲁棒性。
• 在 4× 和 8× 加速因子下，XPDNet 在脑部和膝关节 MRI 数据集上的 PSNR 和 NMSE 指标均达到最先进水平。
• 尽管 PSNR 结果优异，但该方法在 SSIM 指标上表现欠佳，提示在感知质量方面可能存在权衡，需进一步研究。