A Densely Interconnected Network for Deep Learning Accelerated MRI

要約

目的高密度で接続されたカスケード型ディープラーニング再構成フレームワークにより、MRI再構成の加速を改善する。 材料と方法カスケード型深層学習再構成フレームワーク（ベースラインモデル）を、3つのアーキテクチャの修正を適用することによって修正した。カスケード入力と出力の間の入力レベルの密な接続、改良された深層学習サブネットワーク、および後続の深層学習ネットワーク間の長距離スキップ接続。アブレーション研究が行われ、5つのモデル構成がNYU fastMRIニューロデータセットで、4倍加速と8倍加速に接続されたエンドツーエンド方式で学習された。学習されたモデルは、それぞれの構造的類似性指標測定（SSIM）、正規化平均二乗誤差（NMSE）およびピーク信号対雑音比（PSNR）を比較することによって評価された。 結果提案した高密度相互接続残差カスケードネットワーク(DIRCN)は、提案した3つの修正案をすべて活用することで、4倍速および8倍速の場合、それぞれ8%と11%のSSIMの改善を達成した。8倍加速の場合、このモデルはベースラインモデルと比較してNMSEを23%減少させることができた。アブレーション研究において、個々のアーキテクチャの修正は、4 倍加速の場合、SSIM と NMSE をそれぞれ約 3%と 5%減少させ、この改善に貢献した。 結論提案するアーキテクチャの修正により、既存のカスケードフレームワークを簡単に調整し、再構成結果をさらに向上させることができる。

要約(オリジナル)

Objective: To improve accelerated MRI reconstruction through a densely connected cascading deep learning reconstruction framework. Materials and Methods: A cascading deep learning reconstruction framework (baseline model) was modified by applying three architectural modifications: Input-level dense connections between cascade inputs and outputs, an improved deep learning sub-network, and long-range skip-connections between subsequent deep learning networks. An ablation study was performed, where five model configurations were trained on the NYU fastMRI neuro dataset with an end-to-end scheme conjunct on four- and eight-fold acceleration. The trained models were evaluated by comparing their respective structural similarity index measure (SSIM), normalized mean square error (NMSE) and peak signal to noise ratio (PSNR). Results: The proposed densely interconnected residual cascading network (DIRCN), utilizing all three suggested modifications, achieved a SSIM improvement of 8% and 11% for four- and eight-fold acceleration, respectively. For eight-fold acceleration, the model achieved a 23% decrease in the NMSE when compared to the baseline model. In an ablation study, the individual architectural modifications all contributed to this improvement, by reducing the SSIM and NMSE with approximately 3% and 5% for four-fold acceleration, respectively. Conclusion: The proposed architectural modifications allow for simple adjustments on an already existing cascading framework to further improve the resulting reconstructions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL