★ FEATURED ARTICLE 文章目录01 基础信息02 背景03 方法04 结果05 思考06 新掌握的表达01 基础信息标题Deep-Learning Methods for Parallel Magnetic Resonance Image Reconstruction: A Survey of the Current Approaches, Trends, and Issues。作者Florian Knoll、Kerstin Hammernik、Chi Zhang、Steen Moeller、Thomas Pock、Daniel K. Sodickson、Mehmet Akçakaya。期刊IEEE Signal Processing Magazine37(1):128–1402020。关键词并行 MRISENSEGRAPPA算法展开k-space 插值RAKI。论文DOI10.1109/MSP.2019.2950640。总结本文围绕多线圈原始数据将并行 MRI 分为图像域重建和 k-space 重建两条路线梳理传统模型与深度学习的连接并讨论泛化、训练数据、评价指标和公开基准等问题。这是一篇发表于 2020 年的综述。本文按其发表时的研究范围整理不将“当时的开放问题”当作对今天全部研究进展的判断。02 背景多线圈为什么能帮助加速不同接收线圈具有不同空间灵敏度对同一物体提供不同的空间编码。并行成像利用这种差异与冗余恢复欠采样导致的混叠或缺失数据。第j jj个线圈的离散观测模型为f j F Ω C j u n j f_jF_\Omega C_j un_jfjFΩCjunju uu是目标图像C j C_jCj是线圈灵敏度乘法算子F Ω F_\OmegaFΩ是欠采样傅里叶算子。堆叠所有线圈后f E u n fEunfEun多线圈不等于把同一张图像复制多份。每个线圈提供的编码不同但也不是完全独立因此可实现的加速程度受到线圈几何与噪声放大的影响。重新整理的一些背景知识什么是 SENSE利用显式线圈灵敏度在图像域求解去混叠问题。对于复杂采样可通过 CG-SENSE 等迭代形式实现。什么是 GRAPPA在多线圈 k-space 中利用局部线性关系插值缺失点再进行逆傅里叶变换与线圈合并。什么是 ACSAutocalibrating Signal通常是中心连续采集的校准数据用来估计插值核等参数。它是采集数据的一部分需要计入数据与时间成本。什么是 g-factor用于描述并行成像中与编码几何相关的噪声放大。单纯增加线圈数量并不意味着能按同样比例增加加速倍数。图 1来源于原文 Figure 1。图像域方法通过灵敏度编码解逆问题k-space 方法先补全各线圈频域数据。03 方法这篇综述不是提出一个新网络而是用传统并行成像的两条路线组织机器学习方法。1图像域路线从数据拟合到可学习先验最基本的重建可以写为u ^ arg min u 1 2 ∥ E u − f ∥ 2 2 \widehat u\arg\min_u\frac12\|Eu-f\|_2^2uargumin21∥Eu−f∥22加入稀疏性、TV 或其他先验后u ^ arg min u 1 2 ∥ E u − f ∥ 2 2 ∑ k λ k Ψ k ( u ) \widehat u\arg\min_u\frac12\|Eu-f\|_2^2\sum_k\lambda_k\Psi_k(u)uargumin21∥Eu−f∥22k∑λkΨk(u)深度学习可以用更有表达能力、由样本决定的模型替换固定的Ψ k \Psi_kΨk。另一方面求解过程本身也能展开为网络的多个阶段。以梯度形式的更新为例u s u s − 1 − α s E ∗ ( E u s − 1 − f ) − R s ( u s − 1 ) u_su_{s-1}-\alpha_sE^*(Eu_{s-1}-f)-\mathcal R_s(u_{s-1})usus−1−αsE∗(Eus−1−f)−Rs(us−1)这里R s \mathcal R_sRs表示示意性的先验更新已吸收相应步长与权重它不等同于所有展开网络的统一精确公式。其核心是把测量校正与图像先验交替结合。综述中的代表包括VN用学习到的卷积核和非线性函数构造正则化更新保持与变分优化较直接的联系。MoDL使用 CNN 先验、跨阶段参数共享并通过 CG 求解数据一致性子问题。线圈信息的隐式学习部分方法直接从各线圈混叠图像学习合并与去混叠不显式输入灵敏度图。2k-space 路线学习如何补齐缺失测量GRAPPA 从当前扫描的 ACS 估计线性卷积核将已采集位置的多线圈邻域映射到缺失点。SPIRiT 则强调自一致性完整 k-space 应当与经校准卷积核预测的结果一致同时仍需符合真实测量。其约束关系与“直接从已采样点插值缺失点”有所不同。另一类方法将 k-space 邻域组织为结构化矩阵利用低秩性质进行补全例如 SAKE、LORAKS 和 ALOHA。深度网络也可以参与这些方法中的补全过程。3RAKI用当前扫描训练非线性插值器RAKI 将 GRAPPA 式的局部线性插值替换为 CNNf ^ m i s s i n g N θ ( f a c q u i r e d , n e i g h b o r h o o d ) \widehat f_{\mathrm{missing}}\mathcal N_\theta(f_{\mathrm{acquired,neighborhood}})fmissingNθ(facquired,neighborhood)训练样本由当前扫描 ACS 中的完整邻域及对应目标位置构造再将训练得到的插值规则应用于缺失位置。它不依赖外部图像数据库但不是“不训练”每次扫描需要拟合网络通常还需要足够的校准数据。综述也介绍了以 GRAPPA 为线性分支、由 CNN 学习剩余误差的 rRAKI。4使用数据库学习的 k-space 方法DeepSPIRiT 等方法使用外部数据库学习插值关系。不同扫描的线圈数与灵敏度分布不同为统一输入需要考虑线圈压缩等处理。线圈压缩把多个物理通道投影为较少的虚拟通道尽量保留主要信号能量它不等于这些虚拟通道在不同扫描中天然具有相同空间含义。两条分类轴需要分开分类问题主要选择影响在哪里重建图像域 / k-space / 联合处理网络接收的信息与约束方式从哪里学习外部数据库 / 当前扫描 ACS泛化需求、训练耗时与校准成本物理模型如何进入显式算子 / 插值或自一致性 / 隐式学习可解释性与模型误差敏感性不能简单把“图像域”等同于“数据库训练”或把“k-space”等同于“不需要训练集”。04 结果图像域教学示例综述使用一例 3T、15 通道膝关节原始数据以回顾性 4 倍加速展示图像域方法。Figure 3 报告如下方法NRMSE越低越好SSIM越高越好零填充0.200.69CG-SENSE0.090.77TGV 正则化0.060.90VN0.050.92MoDL 式重建0.020.99图 2来源于 Figure 3展示一个未用于训练的测试切片。这张表需要结合实现说明理解综述将 MoDL 的正则化网络修改为 U-Net约 694,021 个参数VN 为 131,050 个参数。它不是 MoDL 原论文配置的直接重复也不是多个模型在统一容量下的大规模排名。示例为了与传统并行成像一致使用等间隔 Cartesian 采样这也不等于所有压缩感知方法都在其最佳采样设置下比较。k-space 示例同一膝关节示例中Figure 5 的 GRAPPA、SPIRiT、RAKI 分别报告 NRMSE 为 0.08、0.10、0.07SSIM 为 0.82、0.75、0.85。有限的 ACS 使几种方法都存在残余误差RAKI 在这例中较好但不能由单个示例推导普遍排序。综述还展示了 7T、0.6 mm 各向同性、前瞻性加速脑成像。RAKI 相比 GRAPPA 可减轻噪声放大和 NL-GRAPPA 的差别较小其中 5、6 倍加速数据用了两次平均比较扫描效率时必须保留这个条件。耗时示例文中 VN 教学实现使用 200 张训练切片在 NVIDIA M40 上训练约 40 小时单切片重建约 200 ms。同一 GPU 上CG-SENSE 约 150 msTGV 约 10,000 ms。这些是指定实现的耗时展示了离线训练与在线重建的权衡。05 思考读重建论文首先应该问什么不仅要看网络名字还要看输入到底是多线圈原始 k-space、合并复图像还是只有幅度图。只对幅度图做模拟欠采样与实际多线圈采集之间存在差别。为什么“图像更平滑”不一定代表更可靠非线性正则化能抑制噪声同时也会引入偏差。用传统线性重建中的 SNR 直觉评价非线性输出可能把细节丢失误认为质量提升。NRMSE、PSNR 和 SSIM 也依赖参考数据不能完全替代任务相关的评价。扫描专属学习解决了什么又付出什么当前扫描的 ACS 减少了对外部训练分布的依赖但引入逐扫描训练和校准成本。若只比较推理耗时、忽略拟合与额外 ACS可能高估整体效率。为什么公开原始数据如此重要训练数据是模型性能的一部分。采样掩膜、线圈处理、归一化、训练/测试划分不同都会影响结果。综述当时强调 mridata 与 fastMRI 等公开数据的重要性这也为后续阅读重建论文提供了统一的数据语境。可以学习的点用物理模型建立分类框架再比较学习发生在哪里记录性能背后的数据条件和计算成本将图像对比、数值指标与实际重建任务一起看避免脱离设置讨论某个网络是否最好。06 新掌握的表达并行成像parallel imaging线圈灵敏度图coil sensitivity maps自校准信号autocalibrating signal扫描专属学习scan-specific learning噪声放大noise amplificationk-space 自一致性k-space self-consistency线圈压缩coil compression
阅读完成 · 觉得有帮助？
