vSHARP: variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse-Problems

要約

加速並列磁気共鳴画像法 (MRI) などの医用画像処理 (MI) タスクには、多くの場合、ノイズの多い測定値または不完全な測定値から画像を再構成することが含まれます。
これは、満足のいく閉形式の解析解が利用できない、不適切な設定の逆問題を解決することになります。
MRI 再構成における圧縮センシング (CS) などの従来の方法は、時間がかかるか、忠実度の低い画像が得られる傾向があります。
最近、多数の教師ありおよび自己教師ありの深層学習 (DL) アプローチが、逆問題解決において従来の手法を上回る優れたパフォーマンスを実証しました。
この研究では、MI で発生する不正設定逆問題を解決するための新しい DL ベースの方法である vSHARP (逆問題再構成のための可変分割半二次 ADMM アルゴリズム) を提案します。
vSHARP は、半 2 次変数分割法を利用し、乗算器の交互方向法 (ADMM) を使用して最適化プロセスを展開します。
データの一貫性を確保するために、vSHARP は画像ドメインで微分可能な勾配降下法を展開し、U-Net アーキテクチャなどの DL ベースのノイズ除去機能を適用して画質を向上させます。
また、vSHARP は、拡張畳み込み DL ベースのモデルを採用して、ADMM 初期化のラグランジュ乗数を予測します。
提案されたモデルを、2 つの異なるデータセットに対する並列 MRI 再構成の高速化タスクに適用して評価します。
実験結果と最先端のアプローチを比較分析し、vSHARP の優れたパフォーマンスを強調します。

要約(オリジナル)

Medical Imaging (MI) tasks, such as accelerated Parallel Magnetic Resonance Imaging (MRI), often involve reconstructing an image from noisy or incomplete measurements. This amounts to solving ill-posed inverse problems, where a satisfactory closed-form analytical solution is not available. Traditional methods such as Compressed Sensing (CS) in MRI reconstruction can be time-consuming or prone to obtaining low-fidelity images. Recently, a plethora of supervised and self-supervised Deep Learning (DL) approaches have demonstrated superior performance in inverse-problem solving, surpassing conventional methods. In this study, we propose vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems), a novel DL-based method for solving ill-posed inverse problems arising in MI. vSHARP utilizes the Half-Quadratic Variable Splitting method and employs the Alternating Direction Method of Multipliers (ADMM) to unroll the optimization process. For data consistency, vSHARP unrolls a differentiable gradient descent process in the image domain, while a DL-based denoiser, such as a U-Net architecture, is applied to enhance image quality. vSHARP also employs a dilated-convolution DL-based model to predict the Lagrange multipliers for the ADMM initialization. We evaluate the proposed model by applying it to the task of accelerated Parallel MRI Reconstruction on two distinct datasets. We present a comparative analysis of our experimental results with state-of-the-art approaches, highlighting the superior performance of vSHARP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google