On Retrospective $k$-space Subsampling schemes For Deep MRI Reconstruction

要約

$\textbf{目的:}$ MRI の $k$ 空間取得には時間がかかります。
従来の技術は、高速化されたデータを取得することを目的としています。これは、最近の DL メソッドと組み合わせて、短縮された時間で忠実度の高い画像を生成するのに役立ちます。
従来、$k$ 空間のサブサンプリングはデカルト直線軌道を利用して実行されますが、これは DL を使用しても不正確な再構成を提供しますが、最新の MRI スキャナーでは、多数の非直線または非デカルト軌道を実装できます。
.
この作業では、訓練された DL モデルによって生成された再構築された加速 MRI 測定の品質に対する $k$ 空間サブサンプリング スキームの影響を調査します。
$\textbf{メソッド:}$ RecurrentVarNet は、DL ベースの MRI 再構成アーキテクチャとして使用されました。
異なる加速度を持つ 3 つのデータセットからのデカルト完全サンプリング マルチコイル $k$ 空間測定値は、8 つの異なるサブサンプリング スキーム (4 つのデカルト直線、2 つのデカルト非直線、2 つの非デカルト) を使用して遡及的にサブサンプリングされました。
実験は 2 つのフレームワークで行われました。データセットとサブサンプリング スキームのペアごとに個別のモデルがトレーニングおよび評価されるスキーム固有のフレームワークと、8 つのいずれかによってランダムにサブサンプリングされたデータで各データセットに対して単一のモデルがトレーニングされるマルチスキームです。
すべてのスキームによってサブサンプリングされたデータで評価されます。
$\textbf{Results:}$ スキーム固有の設定では、非直線的にサブサンプリングされたデータでトレーニングおよび評価された RecurrentVarNets は、特に高加速度に対して優れたパフォーマンスを示しましたが、マルチスキーム設定では、直線的にサブサンプリングされたデータの再構成パフォーマンスは、
スキーム固有の実験。
$\textbf{結論:}$ 非直線的にサブサンプリングされた測定値で DL ベースの MRI 再構成アルゴリズムをトレーニングすると、より忠実な再構成を生成できます。

要約(オリジナル)

$\textbf{Purpose:}$ The MRI $k$-space acquisition is time consuming. Traditional techniques aim to acquire accelerated data, which in conjunction with recent DL methods, aid in producing high-fidelity images in truncated times. Conventionally, subsampling the $k$-space is performed by utilizing Cartesian-rectilinear trajectories, which even with the use of DL, provide imprecise reconstructions, though, a plethora of non-rectilinear or non-Cartesian trajectories can be implemented in modern MRI scanners. This work investigates the effect of the $k$-space subsampling scheme on the quality of reconstructed accelerated MRI measurements produced by trained DL models. $\textbf{Methods:}$ The RecurrentVarNet was used as the DL-based MRI-reconstruction architecture. Cartesian fully-sampled multi-coil $k$-space measurements from three datasets with different accelerations were retrospectively subsampled using eight distinct subsampling schemes (four Cartesian-rectilinear, two Cartesian non-rectilinear, two non-Cartesian). Experiments were conducted in two frameworks: Scheme-specific, where a distinct model was trained and evaluated for each dataset-subsampling scheme pair, and multi-scheme, where for each dataset a single model was trained on data randomly subsampled by any of the eight schemes and evaluated on data subsampled by all schemes. $\textbf{Results:}$ In the scheme-specific setting RecurrentVarNets trained and evaluated on non-rectilinearly subsampled data demonstrated superior performance especially for high accelerations, whilst in the multi-scheme setting, reconstruction performance on rectilinearly subsampled data improved when compared to the scheme-specific experiments. $\textbf{Conclusion:}$ Training DL-based MRI reconstruction algorithms on non-rectilinearly subsampled measurements can produce more faithful reconstructions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google