Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI

Probleemstelling

Late gadolinium enhancement (LGE) MRI is cruciaal voor het visualiseren van linkeratriale fibrose bij patiënten met boezemfibrillatie, wat essentieel is voor het plannen van ablatieprocedures. Huidige 3D LGE-protocollen vereisen echter lange opnametijden (7–20 minuten), wat leidt tot patiëntoncomfort en bewegingsartefacten. Versnelling van de opname door onderbemonstering van de k-ruimte (undersampling) is een klinische noodzaak, maar creëert een slecht gesteld invers probleem.

Bestaande methoden hebben beperkingen:

• Compressed Sensing (CS): Leidt vaak tot vervaging van fijne structuren door regularisatie en vereist handmatige parameterinstelling.
• Supervised Deep Learning: Vereist grote datasets van gekoppelde onderbemonsterde en volledig bemonsterde data, wat in de cardiale beeldvorming moeilijk te verkrijgen is vanwege beweging.
• Unsupervised Methoden (zoals Deep Image Prior - DIP): Gebrek aan gedeelde priors over verschillende onderwerpen, wat de robuustheid beperkt bij hoge versnellingsfactoren.
• Bestaande Unrolled Netwerken: Deze integreren wel fysica en geleerde priors, maar opereren meestal op de opgeloste resolutie en missen vaak het vermogen om hoogfrequente details (zoals de dunne wanden van het linkeratrium) volledig te herstellen.

Het centrale vraagstuk is hoe super-resolutie (SR) priors direct in het reconstructieproces kunnen worden geïntegreerd om zowel data-consistentie als detailherstel te optimaliseren, in plaats van SR als een naverwerkingsstap toe te passen.

Methodologie

De auteurs stellen een hybride unrolled reconstructieframework voor dat een Enhanced Deep Super-Resolution (EDSR) netwerk integreert binnen de iteratieve optimalisatielus.

1. Framework Architectuur:

   • Het probleem wordt opgelost als een regularisatieprobleem waarbij de proximal operator (normaal gesproken een denoiser) wordt vervangen door een EDSR-netwerk.
   • Dit gebeurt in een "unrolled" loop van $N$ iteraties. In elke iteratie $n$:
     • Denoiser-stap: Het huidige beeldschattings $x^{(n)}$ wordt verrijkt door het EDSR-netwerk $E_\phi$, dat zowel beeldverfijning als feature-versterking uitvoert.
     • Data Consistency (DC) stap: Het resultaat wordt geprojecteerd terug op de meetmanifold via een geconjugeerde gradiënt (CG) oplossing, zodat het consistent blijft met de onderbemonsterde k-ruimte data ($y$) en de SENSE-encodering.
   • De EDSR-architectuur is een U-Net-stijl encoder-decoder met residual blocks, downsampling/upscaling lagen en skip-connections, die uitgaat van 2 kanalen (reëel en imaginair).

2. Training:

   • Het model wordt end-to-end getraind op retrospectief onderbemonsterde preklinische (hond) 3D LGE-datasets.
   • De verliesfunctie is de $\ell_2$-fout tussen de gereconstrueerde afbeelding en de grondwaarheid (fully-sampled).
   • De gewichten van het EDSR-netwerk worden gedeeld over alle $N$ iteraties.

3. Vergelijkingsmethoden (Baselines):

   • Compressed Sensing (CS): Met TV- en BM3D-regularisatie.
   • Self-Guided Deep Image Prior (DIP): Een ongesuperviseerde methode die netwerkgewichten per afbeelding optimaliseert.
   • Unrolled Model-Based Deep Learning (MoDL): Een standaard unrolled methode met een U-Net denoiser (zonder SR-capaciteit).

Belangrijkste Bijdragen

• Integratie van SR in de reconstructielus: Voor het eerst wordt een SR-netwerk (EDSR) direct als proximal operator binnen een model-based unrolled framework geplaatst voor 3D LGE-MRI, in plaats van als post-processing.
• Gezamenlijke optimalisatie: Dit ontwerp stelt het systeem in staat om hoogfrequente anatomische details en fysica-gedreven data-consistentie gelijktijdig te optimaliseren.
• Klinisch relevante evaluatie: Naast standaard beeldkwaliteitsmetrieken (PSNR, SSIM) wordt de prestatie beoordeeld aan de hand van downstream taken, specifiek de segmentatie van het linkeratrium (LA).

Resultaten

De methode werd getest op 24 preklinische onderwerpen met versnellingsfactoren $R=4$ en $R=6$.

• Kwalitatieve en Kwantitatieve Prestaties:

  • De voorgestelde Unrolled+EDSR methode presteerde consistent beter dan CS, DIP en standaard Unrolled (U-Net) op zowel PSNR als SSIM.
  • Bij $R=6$: PSNR van 32.9 dB en SSIM van 0.889 voor Unrolled+EDSR, vergeleken met 32.4 dB en 0.878 voor standaard Unrolled.
  • Visueel behoudt de methode fijne structuren (zoals de wanden van het linkeratrium) beter dan de baselines, die last hebben van vervaging of artefacten.

• Downstream Segmentatie:

  • Een U-Net segmentatiemodel getraind op de grondwaarheid werd toegepast op de gereconstrueerde beelden.
  • Unrolled+EDSR behaalde de hoogste Dice Similarity Coefficient (DSC) van 0.893, vergeleken met 0.884 voor standaard Unrolled en 0.809 voor CS. Dit toont aan dat de herstelde details direct leiden tot betere klinische segmentatie.

• Ablatie-onderzoek:

  • Het aantal iteraties ($N$) werd gevarieerd. Hoewel $N=9$ en $N=11$ iets betere kwaliteit opleverden, nam het GPU-geheugen aanzienlijk toe. $N=7$ werd gekozen als de optimale balans tussen kwaliteit en geheugenefficiëntie.

Betekenis en Conclusie

Dit werk demonstreert dat het inbedden van super-resolutie priors direct in een model-based reconstructieframework meetbare winst oplevert voor versnelde 3D LGE-MRI. De methode overtreft bestaande technieken in zowel pixel-niveau nauwkeurigheid als in de kwaliteit van downstream klinische taken (fibrose-segmentatie).

De studie benadrukt dat het combineren van fysica-gedreven consistentie met leerkrachtige SR-priors essentieel is om de fijne anatomie van het hart te behouden bij hoge versnellingsfactoren. Hoewel de huidige validatie beperkt is tot preklinische data, biedt dit een veelbelovende richting voor toekomstig onderzoek naar klinische toepassing, inclusief uitbreiding naar 3D Dixon-afbeelding en het omgaan met respiratoire beweging bij menselijke patiënten.