Dynamic MRI Reconstruction Via Dual Deep Priors and Low-Rank Plus Sparse Modeling

기술 요약: 이중 딥 사전과 저랭크 및 희소 모델링을 통한 동적 MRI 재구성

문제 제기
undersampled k-공간 측정치로부터 동적 자기공명영상 (MRI) 을 재구성하는 것은 까다로운 역문제이다. 이는 cine 시리즈의 프레임 간 시간적 일관성을 유지하면서 고해상도 공간 해상도를 보존해야 한다. 고전적인 압축 센싱 방법은 희소성과 시간적 중복성 (예: 저랭크 및 희소 또는 L+S 모델링을 통한) 을 활용하지만, 복잡한 심장 역동성에 대해 제한적일 수 있는 수동으로 설계된 사전에 의존한다. 반면, 딥러닝 기반 접근법은 강력한 성능을 달성하지만 일반적으로 대규모의 완전히 샘플링된 훈련 데이터셋이 필요하여 새로운 스캐너, 프로토콜, 또는 환자 군에 대한 일반화 능력을 제한한다. 딥 이미지 사전 (DIP) 과 같은 훈련 데이터가 없는 방법은 개별 스캔에 적응하지만 시간적 구조를 완전히 활용하지 못하며 과적합되기 쉽다.

방법론
저자들은 딥 이미지 사전 (DIP) 의 암시적 정규화와 고전적인 저랭크 및 희소 (L+S) 분해의 해석 가능성을 통합하는 구조화된 프레임워크를 제안한다.

1. 이중 DIP 재매개변수화: 이미지 시퀀스를 직접 최적화하는 대신, 동적 MRI 데이터를 저랭크 배경 성분 ($L$) 과 희소 동적 성분 ($S$) 으로 분해한다. 두 성분 모두 별도의 훈련되지 않은 3 차원 합성곱 신경망 (CNN) 인 $H_{\theta_L}$과 $H_{\theta_S}$로 매개변수화된다. 이러한 성분에 대한 카소라티 행렬은 $L(\theta_L, z_L)$과 $S(\theta_S, z_S)$로 정의되며, 여기서 $z_L$과 $z_S$는 고정된 무작위 잠재 입력이다.
2. 최적화 공식화: 재구성 문제는 네트워크 출력에 대한 저랭크 및 희소 제약 조건 하에 데이터 충실도 항을 최소화하는 것으로 공식화된다:
   $$\min_{\theta_L, \theta_S} \frac{1}{2} \|Y - A(L(\theta_L, z_L) + S(\theta_S, z_S))\|_2^2 + \lambda_L \|L(\theta_L, z_L)\|_* + \lambda_S \|W S(\theta_S, z_S)\|_1$$
   여기서 $Y$는 측정 행렬, $A$는 순방향 연산자, $\|\cdot\|_*$는 핵노름, $W$는 희소화 변환이다.
3. 외삽 ADMM (eADMM): 이 비볼록 최적화 문제를 효율적으로 해결하기 위해 저자들은 외삽 교대 방향 승수법 (eADMM) 을 활용한다. 문제는 보조 변수 $V$( $L$용) 와 $U$( $S$용) 를 사용하여 재형성된다. 알고리즘은 저랭크 부분에 대한 특이값 임계화 및 희소 부분에 대한 소프트 임계화를 사용하여 이러한 변수를 반복적으로 업데이트한 후, DIP 네트워크 매개변수의 기울기 기반 업데이트를 수행한다. 수렴을 가속화하기 위해 외삽 단계가 도입된다.

주요 기여

• L+S 이중 DIP 매개변수화: 이 논문은 저랭크 및 희소 성분을 서로 다른 훈련되지 않은 네트워크로 매개변수화하여 시공간 의존성을 명시적으로 모델링하는 새로운 프레임워크를 소개한다. 이는 지도 학습 데이터가 필요 없이 천천히 변하는 배경 역동성과 희소 시간적 혁신을 분리한다.
• 수렴 분석: 저자들은 DIP 기반 생성기를 활용하는 eADMM 프레임워크에 대한 최초의 이론적 수렴 분석을 제공한다. 그들은 리아푸노프 함수를 사용하여 충분한 하강 속성을 확립하고, 신경 매개변수화의 비볼록성에도 불구하고 생성된 시퀀스의 모든 극한점이 관련 목적 함수의 임계점임을 입증한다.
• 광범위한 경험적 평가: 이 방법은 다양한 가속 인자 (4 배, 6 배, 8 배) 에 걸쳐 공개 OCMR 데이터셋에서 평가되었다. 고전적인 압축 센싱, 지도 학습 베이스라인 (L+S-Net), 그리고 다른 훈련 데이터가 없는 방법 (Multi-dynamic DIP, Low-rank DIP, 그리고 Implicit Neural Representations) 과 비교되었다.

결과

• 정량적 성능: 제안된 L+S DIP 방법은 모든 테스트된 가속 인자에서 고전적인 압축 센싱, 다른 DIP 변형, 그리고 암시적 신경 표현 (INR) 방법보다 일관되게 우수한 성능을 보인다. 예를 들어, 8 배 가속에서 INR 베이스라인보다 약 3 dB 높은 PSNR 을 달성하며, 다른 DIP 베이스라인보다 거의 2 dB 높다.
• 지도 학습과의 비교: 이 방법은 완전히 샘플링된 훈련 데이터를 전혀 사용하지 않음에도 불구하고 지도 학습 L+S-Net 과 경쟁력 있는 성능을 달성한다.
• 절차 분석 연구: 실험은 이중 아키텍처 ($L$과 $S$에 대한 별도 네트워크) 가 단일 네트워크 변형이나 저랭크 또는 희소 사전만 사용하는 모델보다 훨씬 우수한 성능을 보임을 확인시켜 주며, 두 성분의 상호 보완적 성격을 검증한다.
• 수렴 속도: 외삽 매개변수 ($\alpha, \beta$) 에 대한 연구는 적절한 외삽이 비외삽 또는 지나치게 공격적인 설정에 비해 수렴 속도를 향상시킨다는 것을 보여준다.

의의 및 주장
이 논문은 이 프레임워크가 대규모 고품질 완전히 샘플링된 데이터셋을 사용할 수 없거나 획득하기 어려운 의료 영상 시나리오에서 특히 매력적이라고 주장한다. DIP 의 스펙트럼 편향 (자연스럽게 저주파 이미지 구조를 선호함) 과 명시적 시공간 정규화를 결합함으로써, 이 방법은 동적 MRI 의 중복성을 효과적으로 포착하면서도 지도 딥러닝의 일반화 문제를 피한다. 저자들은 이 방법이 기존 비지도 접근법보다 미세한 해부학적 구조를 보존하고 재구성 아티팩트를 더 잘 줄인다고 강조하며, 이는 외부 데이터로 네트워크를 훈련시키는 계산적 부담 없이 이루어진다. 그러나 논문은 스캔별 테스트 시간 최적화가 필요하다는 요구 사항으로 인해 지도 방법의 추론 시간에 비해 재구성 시간이 더 길어진다는 점을 겸손하게 인정한다.