The advanced magnetic resonance (MR) image reconstructions such as the compressed sensing and subspace-based imaging are considered as large-scale, iterative, optimization problems. Given the large number of reconstructions required by the practical clinical usage, the computation time of these advanced reconstruction methods is often unacceptable. In this work, we propose using Google's Tensor Processing Units (TPUs) to accelerate the MR image reconstruction. TPU is an application-specific integrated circuit (ASIC) for machine learning applications, which has recently been used to solve large-scale scientific computing problems. As proof-of-concept, we implement the alternating direction method of multipliers (ADMM) in TensorFlow to reconstruct images on TPUs. The reconstruction is based on multi-channel, sparsely sampled, and radial-trajectory $k$-space data with sparsity constraints. The forward and inverse non-uniform Fourier transform operations are formulated in terms of matrix multiplications as in the discrete Fourier transform. The sparsifying transform and its adjoint operations are formulated as convolutions. The data decomposition is applied to the measured $k$-space data such that the aforementioned tensor operations are localized within individual TPU cores. The data decomposition and the inter-core communication strategy are designed in accordance with the TPU interconnect network topology in order to minimize the communication time. The accuracy and the high parallel efficiency of the proposed TPU-based image reconstruction method are demonstrated through numerical examples.

中文翻译：

---

加速 TPU 上的 MRI 重建

诸如压缩感知和基于子空间的成像等高级磁共振 (MR) 图像重建被认为是大规模的、迭代的、优化问题。鉴于实际临床使用所需的大量重建，这些先进的重建方法的计算时间通常是不可接受的。在这项工作中，我们建议使用 Google 的张量处理单元 (TPU) 来加速 MR 图像重建。TPU 是一种用于机器学习应用的专用集成电路 (ASIC)，最近已被用于解决大规模科学计算问题。作为概念验证，我们在 TensorFlow 中实现乘法器的交替方向方法 (ADMM) 以在 TPU 上重建图像。重建基于多通道、稀疏采样、和具有稀疏约束的径向轨迹 $k$-空间数据。前向和逆向非均匀傅里叶变换操作是根据离散傅里叶变换中的矩阵乘法来制定的。稀疏变换及其伴随运算被表述为卷积。数据分解应用于测量的 $k$-space 数据，以便上述张量操作定位在单个 TPU 核心内。数据分解和核间通信策略是根据TPU互连网络拓扑设计的，以最大限度地减少通信时间。通过数值例子证明了所提出的基于 TPU 的图像重建方法的准确性和高并行效率。前向和逆向非均匀傅里叶变换操作是根据离散傅里叶变换中的矩阵乘法来制定的。稀疏变换及其伴随运算被表述为卷积。数据分解应用于测量的 $k$-space 数据，以便上述张量操作定位在单个 TPU 核心内。数据分解和核间通信策略是根据TPU互连网络拓扑设计的，以最大限度地减少通信时间。通过数值例子证明了所提出的基于 TPU 的图像重建方法的准确性和高并行效率。前向和逆向非均匀傅里叶变换操作是根据离散傅里叶变换中的矩阵乘法来制定的。稀疏变换及其伴随运算被表述为卷积。数据分解应用于测量的 $k$-space 数据，以便上述张量操作定位在单个 TPU 核心内。数据分解和核间通信策略是根据TPU互连网络拓扑设计的，以最大限度地减少通信时间。通过数值例子证明了所提出的基于 TPU 的图像重建方法的准确性和高并行效率。稀疏变换及其伴随运算被表述为卷积。数据分解应用于测量的 $k$-space 数据，以便上述张量操作定位在单个 TPU 核心内。数据分解和核间通信策略是根据TPU互连网络拓扑设计的，以最大限度地减少通信时间。通过数值例子证明了所提出的基于 TPU 的图像重建方法的准确性和高并行效率。稀疏变换及其伴随运算被表述为卷积。数据分解应用于测量的 $k$-space 数据，以便上述张量操作定位在单个 TPU 核心内。数据分解和核间通信策略是根据TPU互连网络拓扑设计的，以最大限度地减少通信时间。通过数值例子证明了所提出的基于 TPU 的图像重建方法的准确性和高并行效率。数据分解和核间通信策略是根据TPU互连网络拓扑设计的，以最大限度地减少通信时间。通过数值例子证明了所提出的基于 TPU 的图像重建方法的准确性和高并行效率。数据分解和核间通信策略是根据TPU互连网络拓扑设计的，以最大限度地减少通信时间。通过数值例子证明了所提出的基于 TPU 的图像重建方法的准确性和高并行效率。