3D High-Quality Magnetic Resonance Image Restoration in Clinics Using Deep Learning

要約

取得時間の短縮とモーション アーチファクトの低減は、磁気共鳴イメージングにおける最も重要な問題の 2 つです。
有望な解決策として、深層学習ベースの高品質 MR 画像復元が調査され、短い取得時間で取得された低解像度画像またはモーション アーティファクトで破損した画像から、高解像度でモーション アーティファクトのない MR 画像が生成されました。
しかし、ディープラーニングのアプローチが臨床環境で実用化されるのを妨げる多くの問題がまだ存在しています。
具体的には、以前の研究のほとんどはネットワークのみに焦点を当てていますが、取得時間に対するさまざまなダウンサンプリング戦略の影響を無視しています。
さらに、長い推論時間と高い GPU 消費も、以前の研究のほとんどを診療所に展開するためのボトルネックです。
さらに、以前の研究では、遡及的なモーション アーティファクトの生成にランダムな動きが採用されているため、制御不能なモーション アーティファクトが発生します。
さらに重要なことに、医師は生成された MR 画像が信頼できるものかどうか確信が持てず、診断が困難になります。
これらすべての問題を克服するために、3D MRI 超解像とモーション アーティファクト削減の両方に 2D ディープ ラーニング ニューラル ネットワークの統合フレームワークを採用し、そのようなフレームワークが 3D MRI 復元タスクで他の最先端のタスクよりも優れたパフォーマンスを達成できることを実証しました。
-art メソッドを使用しても、GPU の消費と推論時間が大幅に短縮されるため、デプロイが容易になります。
また、面内ダウンサンプリングと面内ダウンサンプリングの複数の組み合わせを含む、加速係数に基づくいくつかのダウンサンプリング戦略を分析し、制御可能で定量化可能なモーション アーティファクト生成方法を開発しました。
最後に、ピクセル単位の不確実性が計算され、生成された画像の精度を推定するために使用され、信頼できる診断のための追加情報が提供されました。

要約(オリジナル)

Shortening acquisition time and reducing the motion artifacts are two of the most essential concerns in magnetic resonance imaging. As a promising solution, deep learning-based high-quality MR image restoration has been investigated to generate highly-resolved and motion artifact-free MR images from lower resolution images acquired with shortened acquisition time or motion artifact-corrupted images. However, numerous problems still exist to prevent deep learning approaches from becoming practical in the clinic environment. Specifically, most of the prior works focus solely on the network but ignore the impact of various down-sampling strategies on the acquisition time. Besides, the long inference time and high GPU consumption are also the bottlenecks to deploy most of the prior works in clinics. Furthermore, prior studies employ random movement in retrospective motion artifact generation, resulting in uncontrollable severity of motion artifact. More importantly, doctors are unsure whether the generated MR images are trustworthy, making diagnosis difficult. To overcome all these problems, we adopted a unified framework of 2D deep learning neural network for both 3D MRI super-resolution and motion artifact reduction, demonstrating such a framework can achieve better performance in 3D MRI restoration tasks compared to other state-of-the-art methods and remain the GPU consumption and inference time significantly low, thus easier to deploy. We also analyzed several down-sampling strategies based on the acceleration factor, including multiple combinations of in-plane and through-plane down-sampling, and developed a controllable and quantifiable motion artifact generation method. At last, the pixel-wise uncertainty was calculated and used to estimate the accuracy of the generated image, providing additional information for a reliable diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google