ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance Image Reconstructions

要約

磁気共鳴画像法 (MRI) は、高品質の画像を生成できる非侵襲的画像診断法の 1 つです。
ただし、スキャン手順は比較的遅いため、画像に患者の不快感やモーション アーティファクトが生じます。
MRI ハードウェアの高速化は、物理的および生理学的な制限によって制約されます。
高速 MRI の一般的な代替アプローチは、k 空間データをアンダーサンプリングすることです。
アンダーサンプリングはスキャン手順を高速化しますが、画像にアーティファクトが生成されるため、アーティファクトのない画像を生成するには高度な再構成アルゴリズムが必要です。
最近、深層学習は、この問題に対処するための有望な MRI 再構成方法として登場しました。
ただし、MRI 再構成における既存の深層学習ニューラル ネットワーク アーキテクチャの単純な採用は、通常、効率と再構成品質の点で最適ではありません。
この作業では、アンダーサンプリングされたデータからの MRI 再構成が、新しい進化的ニューラル アーキテクチャ検索アルゴリズムを使用して最適化されたニューラル ネットワークを使用して実行されました。
脳と膝の MRI データセットは、提案されたアルゴリズムが手動で設計されたニューラル ネットワーク ベースの MR 再構成モデ​​ルよりも優れていることを示しています。

要約(オリジナル)

Magnetic resonance imaging (MRI) is one of the noninvasive imaging modalities that can produce high-quality images. However, the scan procedure is relatively slow, which causes patient discomfort and motion artifacts in images. Accelerating MRI hardware is constrained by physical and physiological limitations. A popular alternative approach to accelerated MRI is to undersample the k-space data. While undersampling speeds up the scan procedure, it generates artifacts in the images, and advanced reconstruction algorithms are needed to produce artifact-free images. Recently deep learning has emerged as a promising MRI reconstruction method to address this problem. However, straightforward adoption of the existing deep learning neural network architectures in MRI reconstructions is not usually optimal in terms of efficiency and reconstruction quality. In this work, MRI reconstruction from undersampled data was carried out using an optimized neural network using a novel evolutionary neural architecture search algorithm. Brain and knee MRI datasets show that the proposed algorithm outperforms manually designed neural network-based MR reconstruction models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google