Learning-based and unrolled motion-compensated reconstruction for cardiac MR CINE imaging

要約

動き補償型MR再構成（MCMR）は、2つの連成問題からなる、大きな可能性を秘めた強力な概念である。すなわち、既知の画像を仮定した動き推定と、既知の動きを仮定した画像再構成である。本研究では、心臓MR画像における非剛体運動の乱れを効率的に扱うために、学習に基づく自己教師付きMCMRの枠組みを提案する。従来のMCMRでは、再構成前に動きを推定し、最適化を繰り返す間に動きを変化させないが、本研究では動的な動き推定プロセスを導入し、それをアンロール最適化に埋め込む。グループワイズレジストレーション法により、時間情報を活用した心臓運動推定ネットワークを構築し、運動推定と再構成の間の共同最適化を行う。40の2次元心臓MR CINEデータセットを用いた実験により、提案するアンロール型MCMRフレームワークは、他の最先端手法が失敗する高加速度において、高品質のMR画像を再構成できることを実証する。また、特にMR画像が高度にアンダーサンプリングされている場合、共同最適化機構が動き推定と画像再構成の両方のサブタスクに相互に有益であることを示す。

要約(オリジナル)

Motion-compensated MR reconstruction (MCMR) is a powerful concept with considerable potential, consisting of two coupled sub-problems: Motion estimation, assuming a known image, and image reconstruction, assuming known motion. In this work, we propose a learning-based self-supervised framework for MCMR, to efficiently deal with non-rigid motion corruption in cardiac MR imaging. Contrary to conventional MCMR methods in which the motion is estimated prior to reconstruction and remains unchanged during the iterative optimization process, we introduce a dynamic motion estimation process and embed it into the unrolled optimization. We establish a cardiac motion estimation network that leverages temporal information via a group-wise registration approach, and carry out a joint optimization between the motion estimation and reconstruction. Experiments on 40 acquired 2D cardiac MR CINE datasets demonstrate that the proposed unrolled MCMR framework can reconstruct high quality MR images at high acceleration rates where other state-of-the-art methods fail. We also show that the joint optimization mechanism is mutually beneficial for both sub-tasks, i.e., motion estimation and image reconstruction, especially when the MR image is highly undersampled.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL