Spatiotemporal implicit neural representation for unsupervised dynamic MRI reconstruction

要約

教師あり深層学習 (DL) ベースの再構成アルゴリズムは、高度にアンダーサンプリングされた動的磁気共鳴画像 (MRI) 再構成の最先端の結果を示しています。
ただし、過剰な高品質のグラウンド トゥルース データの要件は、一般化の問題により、それらのアプリケーションを妨げます。
最近、暗黙的ニューラル表現 (INR) が、信号の属性を対応する座標の連続関数として教師なしで特徴付けることにより、逆問題を解決するための強力な DL ベースのツールとして登場しました。
この作業では、入力として時空間座標のみを使用する、非常にアンダーサンプリングされた k 空間データからの動的 MRI 再構成を改善する INR ベースの方法を提案しました。
具体的には、提案された INR は動的 MRI 画像を陰関数として表し、それらをニューラル ネットワークにエンコードします。
ネットワークの重みは、外部のトレーニング データセットや以前の画像を使用せずに、まばらに取得された (k, t) 空間データ自体のみから学習されます。
低ランクとスパース性の明示的な正則化とともに、INR の強力な暗黙的な連続正則化の恩恵を受けて、提案された方法は、さまざまな加速係数で比較されたスキャン固有の方法よりも優れています。
たとえば、レトロスペクティブな心臓シネ データセットの実験では、非常に高い加速度 (最大 41.6 倍) で PSNR が 5.5 ~ 7.1 dB 改善されることが示されています。
INR によって提供される画像の高品質で内部の連続性は、トレーニング データを必要とせずに、ダイナミック MRI の時空間分解能をさらに向上させる大きな可能性を秘めています。

要約(オリジナル)

Supervised Deep-Learning (DL)-based reconstruction algorithms have shown state-of-the-art results for highly-undersampled dynamic Magnetic Resonance Imaging (MRI) reconstruction. However, the requirement of excessive high-quality ground-truth data hinders their applications due to the generalization problem. Recently, Implicit Neural Representation (INR) has appeared as a powerful DL-based tool for solving the inverse problem by characterizing the attributes of a signal as a continuous function of corresponding coordinates in an unsupervised manner. In this work, we proposed an INR-based method to improve dynamic MRI reconstruction from highly undersampled k-space data, which only takes spatiotemporal coordinates as inputs. Specifically, the proposed INR represents the dynamic MRI images as an implicit function and encodes them into neural networks. The weights of the network are learned from sparsely-acquired (k, t)-space data itself only, without external training datasets or prior images. Benefiting from the strong implicit continuity regularization of INR together with explicit regularization for low-rankness and sparsity, our proposed method outperforms the compared scan-specific methods at various acceleration factors. E.g., experiments on retrospective cardiac cine datasets show an improvement of 5.5 ~ 7.1 dB in PSNR for extremely high accelerations (up to 41.6-fold). The high-quality and inner continuity of the images provided by INR has great potential to further improve the spatiotemporal resolution of dynamic MRI, without the need of any training data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google