Frequency-Hierarchical Active k-Space Sampling for Diagnostic MRI

Technische Samenvatting: Frequentie-Hiërarchische Actieve k-Ruimte Bemonstering voor Diagnostische MRI

Probleemstelling
Het versnellen van MRI-acquisitie zonder de diagnostische nauwkeurigheid in gevaar te brengen, blijft een kritieke flessenhals in de klinische beeldvorming. Hoewel standaardbenaderingen gebruikmaken van ondersampling gevolgd door reconstructie (via compressed sensing of geleerde priors), optimaliseren deze pipelines doorgaans voor beeldkwaliteitsmetrieken (bijv. PSIM, SSIM) in plaats van voor downstream klinische taken. Bovendien kampen bestaande actieve bemonsteringsmethoden die acquisitie behandelen als een sequentieel besluitvormingsproces met twee primaire beperkingen:

1. Geometrische Rigiditeit: De meeste methoden maken gebruik van uniforme actieruimtes, zoals het selecteren van volledige Cartesiaanse rijen. Dit negeert het kwalitatieve verschil tussen lage frequentiecomponenten (die anatomische context dragen) en hoge frequentiecomponenten (die fijne pathologische details dragen), wat dwingt tot een slechte compromis bij hoge acceleratiefactoren.
2. Architecturale Schaalbaarheid: Policies die tientallen sequentiële beslissingen vereisen, vertrouwen vaak op architecturen (zoals CNN's of standaard Transformers) waarvan de computationele kosten onhandig groeien met de uitrollengte.

Methodologie: HieraSample
De auteurs stellen HieraSample voor, een taakgestuurd framework dat ontworpen is om een strikt bemonsteringsbudget over ruimtelijke frequenties te verdelen op basis van hun diagnostische nut. Het framework wordt verankerd door drie specifieke ontwerpkeuzes:

1. Cosine-Annealed Curriculum met een Laagfrequent Fundament:

   • De acceleratiefactor $R(t)$ wordt dynamisch gescheduled van $20\times$ naar $4\times$ over 80 acquisitiestappen met behulp van een cosine annealing-schema.
   • Cruciaal is dat de initiële masker $m_0$ is vastgelegd op de kleinste schijf rond de DC-component (lage frequenties). Dit garandeert een volledig bemonsterde laagfrequente kern die vanaf de eerste stap ($t=0$) de anatomische context bevat.
   • De policy opereert uitsluitend op het hoogfrequente complement, waarbij individuele coördinaten worden geselecteerd in plaats van rijen.

2. Mamba-gebaseerde Architectuur:

   • Het systeem maakt gebruik van Mamba (een lineaire-tijd state-space model) om computationele efficiëntie te garanderen tijdens de 80-stappen uitrol.
   • Dual Classifiers: Een ziekteclassifier ($G_d$) en een ernstclassifier ($G_s$) extraheren kenmerken uit de huidige zero-filled reconstructie. Deze classifiers maken gebruik van een ResNet-50 backbone die is verfijnd met drie selectieve Mamba-blokken.
   • Policy Netwerk: De policy $\pi_\theta$ voegt de kenmerken van beide classifiers en het huidige masker samen. Het gebruikt een parallelle vertakkingsstructuur: een CNN-tak voor lokale structuur en een Mamba-tak (gebruikmakend van rechthoekige patch embeddings om aan te sluiten bij k-ruimte anisotropie) voor globale context. De output is een per-pixel sampling logit kaart.

3. Taakgestuurd Beloningssignaal:

   • De beloning wordt gedefinieerd als de per-sample reductie in klasse-gewogen cross-entropie na elke actie, in plaats van pure loss-minimalisatie.
   • $r_t = CE_{t-1} - CE_t$. Een positieve beloning komt direct overeen met een meer zelfverzekerde correcte voorspelling.
   • De beloning combineert ziekte- en ernsttaken met een tijdvariërende cosine-weging, waarbij de nadruk ligt op ziektedetectie in de vroege fase van de uitrol en ernstgradering later.
   • Consistentie in Normalisatie: De auteurs merken op dat het gebruik van één enkel per-sample normalisatieschema voor zowel de classifier als de policy-training cruciaal is; mismatchende normalisatie zorgde ervoor dat het beloningssignaal in vroege experimenten degradeerde tot ruis.

Belangrijkste Bijdragen

• Hiërarchische Actieruimte: Door af te stappen van Cartesiaanse rijen naar individuele puntselectie, kan de policy zich richten op hoogfrequente coördinaten waar de diagnostische informatieve densiteit het hoogst is, waardoor het laagfrequente anatomische fundament behouden blijft.
• Lineaire-Tijd Sequentiële Besluitvorming: De integratie van Mamba-blokken maakt efficiënte 80-stappen uitrol mogelijk zonder de computationele explosie die geassocieerd wordt met standaard Transformers of CNN's.
• Curriculum Learning: Het cosine-annealed schema zorgt voor een soepele overgang van agressieve naar matige acceleratie, waardoor de informatieverwerving wordt gemaximaliseerd tijdens de middelste stappen waar de diagnostische data het dichtst is.

Experimentele Resultaten
Het framework werd geëvalueerd op de fastMRI+ knie dataset voor ACL (Anterior Cruciate Ligament) en kraakbeenclassificatietaken.

• Prestaties t.o.v. Baselines:
  • Vergeleken met ASSDM (een recente sequentiële sampling baseline die onder gelijke condities opnieuw is getraind), liet HieraSample significante winsten zien.
  • ACL Ernst: Bij $10\times$ acceleratie verbeterde HieraSample de ROC AUC met 20,4 punten (van 0,616 naar 0,820).
  • ACL Diagnose: Bij $20\times$ acceleratie verbeterde het de ROC AUC met 5,0 punten.
• Oracle Vergelijking:
  • Bij ACL-diagnose kwam HieraSample bij $10\times$, $8\times$ en $6\times$ acceleratie overeen met de volledig bemonsterde oracle (0,939 AUC), en bleef binnen 0,001 van de oracle bij $4\times$.
  • Bij ACL-ernst bij $6\times$ kwam het binnen 0,001 van de oracle (0,837).
• Ablatie (Hiërarchisch vs. Cartesiaans):
  • Door HieraSample (puntgebaseerd) te vergelijken met Ours-Cartesian (rijgebaseerd, met dezelfde classifier/beloning), werd de waarde van de actieruimte geïsoleerd.
  • De hiërarchische benadering leverde statistisch significante winsten op voor kraakbeendiagnose (waar de classifier "ruimte" had tot de oracle), waarbij het de Cartesiaanse baseline met maximaal 0,015 AUC overtrof bij $20\times$.
  • Voor ACL-diagnose, waarbij de classifier al nabij de oracle-limiet zat, waren de winsten tussen puntgebaseerde en rijgebaseerde strategieën verwaarloosbaar (binnen de betrouwbaarheidsinterval).

Significantie en Claims
Het artikel claimt dat HieraSample er succesvol in is geslaagd de kloof tussen versnelde MRI-acquisitie en diagnostische nauwkeurigheid te overbruggen door de hiërarchie van k-ruimte informatie expliciet te modelleren. Door een laagfrequent fundament te behouden en een taakgestuurde, Mamba-gebaseerde policy te gebruiken om hoogfrequente details te selecteren, bereikt het framework een diagnostische prestatie die vergelijkbaar is met volledig bemensterde scans bij matige acceleratie ($4\times$ tot $10\times$).

De auteurs merken op dat de evaluatie momenteel beperkt is tot single-coil, single-anatomie (knie) data onder een enkele willekeurige seed. Zij erkennen dat hoewel de actieruimte-ablatie de voordelen van puntgebaseerde sampling isoleert, de specifieke bijdragen van het cosine-schema en het laagfrequente fundament niet in dit werk zijn ontleed. Toekomstig werk suggereert het finetunen van de classifier op de specifieke maskerdistributie van de policy en het verkennen van generalisatie naar multi-coil of multi-anatomie.