Wide Range MRI Artifact Removal with Transformers

要約

磁気共鳴スキャンのアーティファクトは、放射線科医とコンピューター支援診断システムの両方にとって深刻な課題です。
ほとんどの場合、アーティファクトは患者の動きによって引き起こされますが、ノイズ パターンなどのデバイス固有の異常によっても発生する可能性があります。
ソースに関係なく、アーティファクトはスキャンを役に立たなくするだけでなく、気付かないままにしておくと誤診を引き起こす可能性があります。
たとえば、アーティファクトが腫瘍やその他の異常になりすますことがあります。
レトロスペクティブ アーティファクト補正 (RAC) は、スキャンが既に行われた後にアーティファクトを削除することに関係しています。
この作業では、ネイティブ解像度の MR 画像に見られる 8 つの一般的なアーティファクトを遡及的に除去できる方法を提案します。
特定のアーティファクトの存在または場所に関する知識は想定されておらず、システムは設計上、複数のアーティファクトの相互作用を元に戻すことができます。
私たちの方法は、Swin 変換器によって一般化された \emph{window-centered} アプローチを一般化する、新しい体積変換器ベースのニューラル ネットワークの設計を通じて実現されます。
Swin とは異なり、私たちの方法は (i) ネイティブにボリューメトリックであり、(ii) 分類ではなく高密度の予測タスクを対象としており、(iii) 斬新でよりグローバルなメカニズムを使用してウィンドウ間の情報交換を可能にします。
私たちの実験では、再構成が ResNet、V-Net、MobileNet-v2、DenseNet、CycleGAN、BicycleGAN によって達成されたものよりもかなり優れていることが示されています。
さらに、モデルから再構成された画像が、診断ワークフローで通常適用される標準的な頭蓋骨除去方法である FSL BET の精度を向上させることを示します。

要約(オリジナル)

Artifacts on magnetic resonance scans are a serious challenge for both radiologists and computer-aided diagnosis systems. Most commonly, artifacts are caused by motion of the patients, but can also arise from device-specific abnormalities such as noise patterns. Irrespective of the source, artifacts can not only render a scan useless, but can potentially induce misdiagnoses if left unnoticed. For instance, an artifact may masquerade as a tumor or other abnormality. Retrospective artifact correction (RAC) is concerned with removing artifacts after the scan has already been taken. In this work, we propose a method capable of retrospectively removing eight common artifacts found in native-resolution MR imagery. Knowledge of the presence or location of a specific artifact is not assumed and the system is, by design, capable of undoing interactions of multiple artifacts. Our method is realized through the design of a novel volumetric transformer-based neural network that generalizes a \emph{window-centered} approach popularized by the Swin transformer. Unlike Swin, our method is (i) natively volumetric, (ii) geared towards dense prediction tasks instead of classification, and (iii), uses a novel and more global mechanism to enable information exchange between windows. Our experiments show that our reconstructions are considerably better than those attained by ResNet, V-Net, MobileNet-v2, DenseNet, CycleGAN and BicycleGAN. Moreover, we show that the reconstructed images from our model improves the accuracy of FSL BET, a standard skull-stripping method typically applied in diagnostic workflows.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google