One-shot Generative Prior Learned from Hankel-k-space for Parallel Imaging Reconstruction

要約

磁気共鳴画像法は、臨床診断に不可欠なツールとして機能します。
ただし、取得時間が長いという欠点があります。
深層学習、特に深層生成モデルを利用することで、磁気共鳴イメージングにおける積極的な加速と再構成の改善が実現します。
それにもかかわらず、事前知識としてデータ分布を学習し、限られたデータから画像を再構築することは依然として困難です。
この作業では、わずか 1 つの k 空間データのトレーニング セットからサンプルを生成できる、新しい Hankel-k 空間生成モデル (HKGM) を提案します。
前の学習段階では、最初に k 空間データから大きなハンケル行列を構築し、次に大きなハンケル行列から複数の構造化された k 空間パッチを抽出して、異なるパッチ間の内部分布を取得します。
ハンケル行列からパッチを抽出すると、冗長な低ランク データ空間から生成モデルを学習できます。
反復再構成段階では、目的の解が学習済みの事前知識に従うことが観察されます。
中間再構成ソリューションは、それを生成モデルの入力として取得することによって更新されます。
更新された結果は、そのハンケル行列に低ランクのペナルティを課し、測定データにデータの一貫性制約を課すことによって、代わりに操作されます。
実験結果は、単一の k 空間データ内のパッチの内部統計が、強力な生成モデルを学習し、最先端の再構成を提供するのに十分な情報を運ぶことを確認しました。

要約(オリジナル)

Magnetic resonance imaging serves as an essential tool for clinical diagnosis. However, it suffers from a long acquisition time. The utilization of deep learning, especially the deep generative models, offers aggressive acceleration and better reconstruction in magnetic resonance imaging. Nevertheless, learning the data distribution as prior knowledge and reconstructing the image from limited data remains challenging. In this work, we propose a novel Hankel-k-space generative model (HKGM), which can generate samples from a training set of as little as one k-space data. At the prior learning stage, we first construct a large Hankel matrix from k-space data, then extract multiple structured k-space patches from the large Hankel matrix to capture the internal distribution among different patches. Extracting patches from a Hankel matrix enables the generative model to be learned from redundant and low-rank data space. At the iterative reconstruction stage, it is observed that the desired solution obeys the learned prior knowledge. The intermediate reconstruction solution is updated by taking it as the input of the generative model. The updated result is then alternatively operated by imposing low-rank penalty on its Hankel matrix and data consistency con-strain on the measurement data. Experimental results confirmed that the internal statistics of patches within a single k-space data carry enough information for learning a powerful generative model and provide state-of-the-art reconstruction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google