작업에 특화된 압축 센싱 자기 공명 영상의 정보 이론적 최적화

Information-Theoretic Optimization for Task-Adapted Compressed Sensing Magnetic Resonance Imaging

작업에 특화된 압축 센싱 자기 공명 영상(CS-MRI)은 나이퀴스트 샘플링에 필요한 것보다 훨씬 적은 k-공간 측정값으로 임상 작업의 특정 요구 사항을 충족하는 데 활용되고 있습니다. 그러나 기존의 작업에 특화된 CS-MRI 방법은 의료 진단의 불확실성 문제를 안고 있으며, 재구성 또는 임상 작업과의 엔드 투 엔드 최적화에서 적응적 샘플링을 달성하지 못합니다. 이러한 제한 사항을 해결하기 위해, 우리는 불확실성 예측을 위한 확률적 추론을 동시에 달성하고, 임의의 샘플링 비율과 다양한 임상 응용 분야에 적응할 수 있도록 정보 이론적 관점에서 최초의 작업에 특화된 CS-MRI 방법을 제안합니다. 구체적으로, 우리는 언더샘플링된 k-공간 측정값과 임상 작업 간의 상호 정보량을 최대화하여 불확실성 문제를 해결하기 위한 확률적 추론을 가능하게 하는 작업에 특화된 CS-MRI 최적화 문제를 공식화합니다. 우리는 암모티즈드 최적화를 활용하고, 상호 정보량을 위한 추론 가능한 변분 경계를 구성하여 샘플링, 재구성 및 작업 추론 모델을 공동으로 최적화합니다. 이를 통해 단일 엔드 투 엔드 훈련된 모델을 사용하여 유연한 샘플링 비율 제어가 가능합니다. 또한, 제안된 프레임워크는 통일된 접근 방식을 통해 두 가지 유형의 서로 다른 임상 시나리오를 다룹니다. 즉, (i) 재구성이 작업 성능을 향상시키는 보조 프로세스로 사용되는 작업과 재구성의 공동 최적화, 그리고 (ii) 재구성을 억제하여 개인 정보 보호에 적용될 수 있는 작업 구현입니다. 대규모 MRI 데이터 세트에 대한 광범위한 실험 결과는 제안된 프레임워크가 일반적인 지표인 Dice에서 결정론적 방법과 비교하여 매우 경쟁력 있는 성능을 달성하지만, 일반화 에너지 거리(GED)로 측정된 기준 진 분포와의 분포 일치도가 더 우수하다는 것을 보여줍니다.

Task-adapted compressed sensing magnetic resonance imaging (CS-MRI) is emerging to address the specific demands of downstream clinical tasks with significantly fewer k-space measurements than required by Nyquist sampling. However, existing task-adapted CS-MRI methods suffer from the uncertainty problem for medical diagnosis and cannot achieve adaptive sampling in end-to-end optimization with reconstruction or clinical tasks. To address these limitations, we propose the first task-adapted CS-MRI from the information-theoretic perspective to simultaneously achieve probabilistic inference for uncertainty prediction and adapt to arbitrary sampling ratios and versatile clinical applications. Specifically, we formalize the task-adapted CS-MRI optimization problem by maximizing the mutual information between undersampled k-space measurements and clinical tasks to enable probabilistic inference for addressing the uncertainty problem. We leverage amortized optimization and construct tractable variational bounds for mutual information to jointly optimize sampling, reconstruction, and task-inference models, which enables flexible sampling ratio control using a single end-to-end trained model. Furthermore, the proposed framework addresses two kinds of distinct clinical scenarios within a unified approach, i.e., i) joint task and reconstruction, where reconstruction serves as an auxiliary process to enhance task performance; and ii) task implementation with suppressed reconstruction, applicable for privacy protection. Extensive experiments on large-scale MRI datasets demonstrate that the proposed framework achieves highly competitive performance on standard metrics like Dice compared to deterministic counterpart but provides better distribution matching to the ground-truth posterior distribution as measured by the generalized energy distance (GED).