《Pattern Recognition Letters》：Optimized K-Space Under-sampling for Brain MRI Reconstruction with Reinforcement Learning
编辑推荐：
双域强化学习优化MRI k空间采样策略，显著提升加速成像质量与临床任务性能。在BraTS2021数据集验证中，四种模态（T1、T2、FLAIR、T1ce）均实现4倍加速，脑肿瘤分割精度接近全采样，且性能衰减低于基线方法。方法融合动态k采样优化与多尺度重建网络，创新性引入频率-空间双域奖励机制，克服传统固定采样模式局限。
Ruru Xu | Ilkay Oksuz
计算机工程系，伊斯坦布尔技术大学，土耳其伊斯坦布尔
摘要
在保持诊断质量的同时加速磁共振成像（MRI）的采集过程仍然是医学成像领域的一个基本挑战。在这项工作中，我们提出了一种新颖的双域强化学习（RL）框架，用于优化加速脑部MRI的k空间采样模式。与传统方法不同，我们的方法将采集过程视为一个序列决策问题，利用来自频率（k空间）和空间（图像）域的奖励信号来学习适应性的、特定于模态的采样策略。我们在BraTS 2021数据集上对四种MRI模态（T1加权、T2加权、流体衰减反转恢复（FLAIR）和对比增强T1（T1ce）进行了全面评估。实验结果表明，我们的方法在重建质量和下游临床任务的性能方面均优于现有的基于学习的和传统的采样策略。此外，基于任务的脑肿瘤分割评估显示，我们优化的采样模式保持了与全采样采集相当的分割精度，并且与基线方法相比性能下降明显减少。这些发现表明，双域强化学习为临床可行的加速MRI提供了一条有前景的途径。代码可在以下链接获取：
https://github.com/Ruru-Xu/RL-Brain-MRI-Reconstruction
引言
磁共振成像（MRI）为神经诊断提供了出色的软组织对比度，且无需使用电离辐射。然而，较长的采集时间会导致患者不适、运动伪影以及临床效率降低[1]。在保持诊断质量的同时加速脑部MRI采集是一个特定的优化挑战：现有方法使用固定的采样模式，这些模式无法适应特定序列的诊断需求（T1、T2、FLAIR、T1ce），从而形成了传统方法无法解决的序列决策问题。
传统的加速方法使用预定的k空间欠采样模式，并结合并行成像[2]和压缩感知[3]等分析重建方法。这些技术可以实现中等程度的加速，但往往会在较高加速率下牺牲图像质量，这对于需要精细细节的神经成像尤其成问题。尽管深度学习方法提高了重建质量[4]、[5]，但大多数方法仍依赖于固定的采样模式，这些模式可能无法最佳地保留与诊断相关的信息。最近结合卷积和变换器组件的混合架构在脑肿瘤分析方面显示出潜力[6]，而可解释的多模态脑成像技术的进步[7]强调了在加速过程中保留特定于模态特征的重要性。同时，关于小脑部病变分割[8]和医学图像分割中的可变形特征聚合[9]的研究表明，那些在剧烈欠采样下首先退化的精细解剖结构对下游临床任务仍然至关重要。
我们提出了一种用于同时优化加速脑部MRI的k空间采样和图像重建的新框架。我们的贡献包括：
- •
双域强化学习：我们将k空间采样问题表述为一个序列优化问题，并开发了一种双域强化学习架构，该架构利用频率和空间信息来确定最佳的k空间采样路径。这种方法发现了非直观但有效的采样模式，专门针对脑部MRI进行了优化。
- •
增强型级联重建：我们的重建框架结合了残差密集块、多域注意力机制和多尺度特征提取路径，从高度欠采样的数据中恢复精细的解剖细节。
- •
临床评估框架：我们提出了一种基于分割的评估方法，用于量化对诊断重要结构的保留情况，从而提高了加速神经成像的评估标准。
- •
全面验证：在BraTS 2021数据集上的多种MRI模态实验表明，在4倍加速条件下，关键特征得到了有效保留，该结果在260名具有不同病理条件的受试者中得到了验证。
我们的方法与使用分析方法[10]或带有固定重建网络的监督学习[11]来优化采样模式的方法有根本不同。我们的强化学习代理学习特定于我们专用网络的k空间路径，以最大化重建质量。这种协同优化能够在实现显著加速的同时保留诊断上重要的特征。此外，我们的基于分割的评估通过测量加速对下游诊断任务的影响[12]、[13]，实现了技术指标与临床实用性的结合。
相关工作
相关工作
传统的MRI加速技术包括利用变换域稀疏性的并行成像方法，如压缩感知[14]。最近的进展探索了基于学习的采样模式设计[10]、[11]、[15]，尽管这些方法通常依赖于带有预定义重建网络的监督学习。用于MRI重建的深度学习方法包括卷积网络[5]、[16]、变换器架构[17]以及物理信息模型[18]、[19]、[20]。
方法
在本节中，我们介绍了通过智能k空间采样和先进重建技术来加速MRI采集的全面框架。我们的方法整合了三个关键组件：（1）用于自适应k空间采样的双域强化学习架构；（2）带有专用注意力机制的增强型级联重建网络；（3）用于评估临床实用性的基于分割的评估框架。这些组件之间的协同作用
数据集
我们使用了BraTS2021 [30]数据集，其中包含1,251名脑肿瘤患者的多模态MRI扫描数据，分为训练集（821个）、验证集（170个）和测试集（260个）。对于每种模态（FLAIR、T1、T1ce、T2），我们提取了2D切片，将其中心裁剪为[128, 128]，并归一化为[0, 1]。对于重建实验，我们从8倍加速的掩模开始，随机添加3行数据，有效地将数据集大小增加了三倍，同时引入了
结果分析
在本节中，我们对基于双域RL的k空间采样策略在加速MRI重建中的性能进行了全面评估。我们的方法表现出实际效率，采样每张切片大约需要0.15秒，重建处理每张切片需要0.8秒（在标准GPU硬件（GV100/RTX 3090上），使其适合临床应用。我们从多个维度评估了性能：定量指标（第5.1节）和视觉效果
结论
本文提出了一种用于优化加速MRI中k空间采样模式的双域强化学习框架。我们的方法将采样模式选择问题表述为一个序列决策问题，利用频率和空间域信息来学习特定于模态的采样策略，从而改进了传统的随机采样方法。在BraTS 2021数据集上的四种MRI模态（FLAIR、T1、T1ce、T2）上的评估表明，我们的方法显著优于随机采样方法
模式识别通讯
作者确认
请保存此文件的副本，并将其作为“作者确认”文件上传。
作为通讯作者，Ilkay Oksuz代表所有作者确认如下：
1.本手稿或其大部分内容尚未发表，也未提交给任何其他期刊。
2.如果本手稿在会议上展示、提交或发表，则会议名称已明确列出，并提供了重新发表的充分理由。
CRediT作者贡献声明
Ruru Xu：撰写 – 审稿与编辑；Ilkay Oksuz：撰写 – 审稿与编辑。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本文受益于TUBITAK的2232国际杰出研究人员计划（项目编号：118C353）。然而，论文的全部责任属于作者本人。TUBITAK提供的财务支持并不意味着文章内容在科学上得到了TUBITAK的认可。本文还受益于ITU BAP研究基金（项目编号：47296和47363）的支持。
