CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping

要約

定量的 MRI (qMRI) は、生物学的組織パラメーターの空間分布を定量化するための MRI メソッドのクラスを指します。
従来の qMRI メソッドは、通常、加速されたデータ取得、不随意の物理的な動き、および磁場の不均一性から生じるアーティファクトを個別に処理し、最適ではないエンドツーエンドのパフォーマンスにつながります。
この論文では、モデルベースのエンドツーエンド ニューラル ネットワーク、モーション アーティファクトの削減方法、および自己教師あり学習スキームで構成される qMRI 用の統合ディープ アンフォールディング (DU) フレームワークである CoRRECT について説明します。
ネットワークは、運動と場の不均一性も考慮することで、k 空間データが実際のデータと一致する R2* マップを生成するようにトレーニングされます。
展開すると、CoRRECT は k 空間データのみを使用し、動きや不均一性の補正のために事前に計算されたパラメーターは使用されません。
実験的に収集されたマルチ グラディエント リコール エコー (mGRE) MRI データに関する我々の結果は、CoRRECT が非常に加速された取得設定で動きと不均一性アーティファクトのない R2* マップを回復することを示しています。
この作業は、物理測定モデル、生物物理学的信号モデル、および高品質の qMRI の学習された以前のモデルを統合できる DU メソッドへの扉を開きます。

要約(オリジナル)

Quantitative MRI (qMRI) refers to a class of MRI methods for quantifying the spatial distribution of biological tissue parameters. Traditional qMRI methods usually deal separately with artifacts arising from accelerated data acquisition, involuntary physical motion, and magnetic-field inhomogeneities, leading to suboptimal end-to-end performance. This paper presents CoRRECT, a unified deep unfolding (DU) framework for qMRI consisting of a model-based end-to-end neural network, a method for motion-artifact reduction, and a self-supervised learning scheme. The network is trained to produce R2* maps whose k-space data matches the real data by also accounting for motion and field inhomogeneities. When deployed, CoRRECT only uses the k-space data without any pre-computed parameters for motion or inhomogeneity correction. Our results on experimentally collected multi-Gradient-Recalled Echo (mGRE) MRI data show that CoRRECT recovers motion and inhomogeneity artifact-free R2* maps in highly accelerated acquisition settings. This work opens the door to DU methods that can integrate physical measurement models, biophysical signal models, and learned prior models for high-quality qMRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google