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ています。
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。
2 つの異なるデータセットを使用した高速並列 MRI 再構成タスクと、別のデータセットを使用した高速並列動的 MRI 再構成タスクで vSHARP を評価します。
最先端の手法との比較分析により、これらのアプリケーションにおける vSHARP の優れたパフォーマンスが実証されました。

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 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 vSHARP on tasks of accelerated parallel MRI Reconstruction using two distinct datasets and on accelerated parallel dynamic MRI Reconstruction using another dataset. Our comparative analysis with state-of-the-art methods demonstrates the superior performance of vSHARP in these applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google