A Path Towards Clinical Adaptation of Accelerated MRI

要約

高速化されたMRIは、患者のスキャン時間を短縮するために、スパースにサンプリングされた信号データから臨床解剖の画像を再構築する。最近の研究では、このタスクを達成するために深層学習を活用していますが、そのようなアプローチは、多くの場合、信号の破損やリソースの制限がないシミュレーション環境でのみ検討されています。本研究では、ニューラルネットワークMRI画像再構成器の臨床的妥当性を高めるための補強を検討する。すなわち、画像アーチファクトの原因を検出するためのConvNetモデルを提案し、クラシファーの$F_2$スコアは$79.1%$を達成した。また、加速度係数を変化させたMR信号データで再構成器を学習させることで、臨床患者のスキャン中の平均性能を最大$2%$向上させることができることを示す。また、複数の解剖学的構造のMR画像再構成を学習する際に、壊滅的な忘却を克服するための損失関数を提供する。最後に、臨床的に取得されたデータセットと計算能力が限られている状況で、再構成器を事前に訓練するためにシミュレーションファントムデータを使用する方法を提案する。この結果は、加速MRIの臨床応用のための潜在的な道筋を示すものである。

要約(オリジナル)

Accelerated MRI reconstructs images of clinical anatomies from sparsely sampled signal data to reduce patient scan times. While recent works have leveraged deep learning to accomplish this task, such approaches have often only been explored in simulated environments where there is no signal corruption or resource limitations. In this work, we explore augmentations to neural network MRI image reconstructors to enhance their clinical relevancy. Namely, we propose a ConvNet model for detecting sources of image artifacts that achieves a classifer $F_2$ score of $79.1\%$. We also demonstrate that training reconstructors on MR signal data with variable acceleration factors can improve their average performance during a clinical patient scan by up to $2\%$. We offer a loss function to overcome catastrophic forgetting when models learn to reconstruct MR images of multiple anatomies and orientations. Finally, we propose a method for using simulated phantom data to pre-train reconstructors in situations with limited clinically acquired datasets and compute capabilities. Our results provide a potential path forward for clinical adaptation of accelerated MRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL