SRE-CNN: A Spatiotemporal Rotation-Equivariant CNN for Cardiac Cine MR Imaging

📄 arXiv: 2409.08537v1 📥 PDF

作者: Yuliang Zhu, Jing Cheng, Zhuo-Xu Cui, Jianfeng Ren, Chengbo Wang, Dong Liang

分类: eess.IV, cs.AI, cs.CV

发布日期: 2024-09-13

备注: Accepted at MICCAI 2024

💡 一句话要点

提出SRE-CNN，利用时空旋转等变性提升心脏电影MR成像质量

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 动态MR成像 旋转等变CNN 时空对称性 心脏电影MR 医学影像重建

📋 核心要点

  1. 现有等变CNN方法在动态MR成像中未能充分挖掘图像固有的时空旋转对称性先验。
  2. SRE-CNN通过高精度滤波器设计和时间等变卷积模块，充分利用动态MR图像的旋转对称性。
  3. 实验表明，SRE-CNN在高度欠采样的心脏电影MR数据上，重建质量显著优于现有方法。

📝 摘要（中文）

动态磁共振(MR)图像具有多种变换对称性，包括图像内局部特征和时间维度上的旋转对称性。利用这些对称性作为先验知识，有助于实现高时空分辨率的动态MR成像。等变卷积神经网络(CNN)是利用对称性先验的有效工具。然而，现有的等变CNN方法未能充分利用动态MR成像中的这些对称性先验。本文提出了一种新的时空旋转等变CNN (SRE-CNN)框架，从底层高精度滤波器设计到时间等变卷积模块和成像模型的构建，充分利用动态MR图像中固有的旋转对称性。时间等变卷积模块能够利用空间和时间维度上的旋转对称性，而基于参数化策略的高精度卷积滤波器增强了局部特征旋转对称性的利用，从而改善了详细解剖结构的重建。在高度欠采样的动态心脏电影数据（高达20倍）上进行的实验表明，我们提出的方法在定量和定性方面都表现出优越的性能。

🔬 方法详解

问题定义：动态心脏电影MR成像旨在从欠采样数据中重建高质量的动态心脏图像序列。现有方法，特别是传统的等变CNN，未能充分利用MR图像在空间和时间维度上的旋转对称性，导致重建图像的细节不足，质量受限。

核心思路：SRE-CNN的核心在于将MR图像的时空旋转对称性作为先验知识融入到网络设计中。通过设计时间等变卷积模块和高精度卷积滤波器，使得网络能够更好地学习和利用这些对称性，从而提升重建图像的质量。

技术框架：SRE-CNN框架主要包含三个部分：1) 高精度卷积滤波器设计，用于提取具有旋转对称性的局部特征；2) 时间等变卷积模块，用于在时间和空间维度上利用旋转对称性；3) 成像模型，将上述模块集成，实现从欠采样数据到高质量动态MR图像的重建。整体流程是从欠采样数据输入，经过SRE-CNN网络，输出重建的动态MR图像序列。

关键创新：SRE-CNN的关键创新在于其时空旋转等变性设计。传统方法通常只考虑空间上的旋转等变性，而SRE-CNN同时考虑了时间和空间上的旋转等变性，更全面地利用了MR图像的对称性先验。此外，高精度卷积滤波器的设计也增强了网络对局部特征旋转对称性的利用。

关键设计：高精度卷积滤波器基于参数化策略，具体参数设置未知。时间等变卷积模块的具体网络结构未知。损失函数未知。网络训练的具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SRE-CNN在高度欠采样的动态心脏电影数据（高达20倍）上进行了实验，结果表明，与现有方法相比，SRE-CNN在定量指标和定性视觉效果上均取得了显著提升。具体的性能数据（如PSNR、SSIM等）和对比基线未知，但原文强调了SRE-CNN的优越性。

🎯 应用场景

SRE-CNN在动态心脏电影MR成像中具有重要应用价值，可以提高心脏疾病的诊断精度和效率。该技术还可以推广到其他动态医学影像领域，例如肺部、腹部等器官的动态MR成像，以及其他具有时空对称性的动态图像重建任务。未来，该研究有望推动医学影像技术的发展，为临床诊断提供更可靠的依据。

📄 摘要（原文）

Dynamic MR images possess various transformation symmetries,including the rotation symmetry of local features within the image and along the temporal dimension. Utilizing these symmetries as prior knowledge can facilitate dynamic MR imaging with high spatiotemporal resolution. Equivariant CNN is an effective tool to leverage the symmetry priors. However, current equivariant CNN methods fail to fully exploit these symmetry priors in dynamic MR imaging. In this work, we propose a novel framework of Spatiotemporal Rotation-Equivariant CNN (SRE-CNN), spanning from the underlying high-precision filter design to the construction of the temporal-equivariant convolutional module and imaging model, to fully harness the rotation symmetries inherent in dynamic MR images. The temporal-equivariant convolutional module enables exploitation the rotation symmetries in both spatial and temporal dimensions, while the high-precision convolutional filter, based on parametrization strategy, enhances the utilization of rotation symmetry of local features to improve the reconstruction of detailed anatomical structures. Experiments conducted on highly undersampled dynamic cardiac cine data (up to 20X) have demonstrated the superior performance of our proposed approach, both quantitatively and qualitatively.