论文
论文题目:End-to-End Variational Networks for Accelerated MRI Reconstruction
论文作者:Sriram Anuroop, Zbontar Jure, Murrell Tullie, Defazio Aaron, Zitnick C. Lawrence, Yakubova Nafissa, Knoll Florian, Johnson Patricia
论文期刊:Medical Image Computing and Computer Assisted Intervention--MICCAI 2020: 23rd International Conference
年份:2020
论文贡献
- 作者想解决SENSE模型加正则化函数这种优化模型,其将优化模型对应的梯度下降迭代求解公式放在神经网络中求解。
- 作者整个网络处理的数据是K空间数据,其目标迭代公式如下所示:
k
t
+
1
=
k
t
−
η
t
M
(
k
t
−
k
~
)
+
G
(
k
t
)
,
(1)
\mathbf{k}^{t+1} = \mathbf{k}^t - \eta^t M(\mathbf{k}^t-\widetilde{\mathbf{k}})+G(\mathbf{k}^t),\tag{1}
kt+1=kt−ηtM(kt−k
)+G(kt),(1)
其中 G ( k t ) = F ∘ E ∘ C N N ( R ∘ F − 1 ( k t ) ) . (2) G(\mathbf{k}^t)=\mathcal{F} \circ \mathcal{E} \circ \mathrm{CNN}(\mathcal{R}\circ \mathcal{F}^{-1}(\mathbf{k}^t)). \tag{2} G(kt)=F∘E∘CNN(R∘F−1(kt)).(2)
公式(1)中 k t \mathbf{k}^t kt代表第 t t t轮的K空间数据, k ~ \widetilde{\mathbf{k}} k 代表初始下采样得到的K空间数据, M M M代表采样模式, η t \eta^t ηt代表第 t t t轮的参数(由数据自动学习得到), F \mathcal{F} F代表傅里叶变换( F − 1 \mathcal{F}^{-1} F−1代表逆傅里叶变换), E \mathcal{E} E代表将图像变成多线圈图像操作, R \mathcal{R} R代表将多线圈图像左乘灵敏度矩阵的共轭转置矩阵后再求和得到单张图像的操作, C N N \mathrm{CNN} CNN作者论文中使用的是U-Net模型。作者将整个模型称为端到端变分网络(End-to-End Variational Network or E2E-VarNet)。 - 公式(1)中的 η t M ( k t − k ~ ) \eta^t M(\mathbf{k}^t-\widetilde{\mathbf{k}}) ηtM(kt−k )这一项作者用一个叫数据一致性(Data Consistency)模块实现, G ( k t ) G(\mathbf{k}^t) G(kt)这一项是用一个叫改进(Refinement)模块实现。由于 G ( k t ) G(\mathbf{k}^t) G(kt)中包含灵敏度矩阵,常规的灵敏度矩阵直接用ACS数据直接估计,这通常不准,所以论文中作者提出灵敏度矩阵可以用一个叫灵敏度估计(Sensitivity Map Estimation)模块得到。灵敏度估计模块原理是取出ACS数据,放入一个U-Net模型,再归一化。
- 模型的惩罚函数是最小化结果相似性损失(structural similarity loss,即SSIM)的相反数。
个人疑惑
- 本篇阅读笔记的公式(1),即对应论文公式(10),其由论文中的公式(7)左右两边进行
F
∘
E
\mathcal{F} \circ \mathcal{E}
F∘E操作得到。注意,论文中公式(7)其中出现
A
∗
A
x
t
A^*A\mathbf{x}^t
A∗Axt(其中
A
=
M
∘
F
∘
E
A=M\circ \mathcal{F} \circ \mathcal{E}
A=M∘F∘E,
A
∗
=
R
∘
F
−
1
∘
M
A^*=\mathcal{R}\circ \mathcal{F}^{-1}\circ M
A∗=R∘F−1∘M),那这一项左边进行
F
∘
E
\mathcal{F} \circ \mathcal{E}
F∘E操作,应该得到
F
∘
E
∘
R
∘
F
−
1
∘
M
∘
M
∘
F
∘
E
(
x
t
)
\mathcal{F} \circ \mathcal{E} \circ \mathcal{R}\circ \mathcal{F}^{-1}\circ M \circ M\circ \mathcal{F} \circ \mathcal{E}(\mathbf{x}^t)
F∘E∘R∘F−1∘M∘M∘F∘E(xt),这一项会等于论文公式(10)中的
M
k
t
M\mathbf{k}^t
Mkt吗(其中
x
t
=
R
∘
F
−
1
(
k
t
)
\mathbf{x}^{t}=\mathcal{R} \circ \mathcal{F}^{-1}\left(\mathbf{k}^{t}\right)
xt=R∘F−1(kt))?
问题归根结底在于,若 R \mathcal{R} R作用在不是线圈图像上,即下采样之后逆傅里叶变换得到的图像,仍然有 E ∘ R \mathcal{E} \circ \mathcal{R} E∘R等于单位阵这样的性质? - 论文公式(3)右侧应该写成单位阵,而不是数字1。