Réseaux de neurones récurrents denses pour l'IRM accélérée : déroulement conscient de l'historique des algorithmes d'optimisation

Les problèmes inverses pour l'IRM accélérée intègrent généralement des connaissances spécifiques au domaine concernant l'opérateur d'encodage direct dans un cadre de reconstruction régularisée. Récemment, des méthodes d'apprentissage profond (DL) guidées par la physique ont été proposées pour utiliser des réseaux de neurones pour la régularisation basée sur les données. Ces méthodes déroulent des algorithmes d'optimisation itératifs pour résoudre la fonction objectif du problème inverse, en alternant entre la cohérence des données spécifiques au domaine et la régularisation basée sur les données via des réseaux de neurones. L'ensemble du réseau déroulé est ensuite entraîné de bout en bout pour apprendre les paramètres du réseau. En raison de la simplicité des mises à jour de la cohérence des données avec des étapes de descente de gradient, la descente de gradient proximale (PGD) est une approche courante pour dérouler les méthodes de reconstruction DL guidées par la physique. Cependant, les méthodes PGD ont des taux de convergence lents, nécessitant un nombre plus élevé d'itérations déroulées, ce qui entraîne des problèmes de mémoire lors de l'entraînement et des temps de reconstruction plus lents lors des tests. Inspirés par des variantes efficaces des méthodes PGD qui utilisent un historique des itérations précédentes, nous proposons un déroulement conscient de l'historique de l'algorithme d'optimisation avec des connexions denses à travers les itérations pour améliorer les performances. Dans notre approche, les étapes de descente de gradient sont calculées à partir d'une combinaison entraînable des sorties de toutes les unités de régularisation précédentes. Nous appliquons également cette idée au déroulement des méthodes de séparation variable avec relâchement quadratique. Nos résultats dans la reconstruction du jeu de données fastMRI du genou montrent que l'approche consciente de l'historique proposée réduit les artefacts d'aliasing résiduels par rapport à son homologue déroulé conventionnel sans nécessiter de puissance de calcul supplémentaire ni augmenter le temps de reconstruction.