Data Consistent Deep Rigid MRI Motion Correction

要約

モーション アーティファクトは MRI で蔓延する問題であり、集団レベルの画像研究で誤診や誤特性化につながります。
現在のレトロスペクティブな剛性イントラ スライス モーション補正技術は、画像とモーション パラメータの推定値を共同で最適化します。
このホワイト ペーパーでは、ディープ ネットワークを使用して、イメージとモーションの共同パラメーター検索を剛体モーション パラメーターのみの検索に減らします。
私たちのネットワークは、破損した k 空間データとモーション パラメーターの 2 つの入力の関数として再構成を生成します。
既知のモーション パラメーターから生成された、シミュレートされた、モーションによって破損した k 空間データを使用して、ネットワークをトレーニングします。
テスト時に、モーション パラメーター、それらのパラメーターを指定したネットワーク ベースの画像再構成、および取得した測定値の間のデータの一貫性の損失を最小限に抑えることで、未知のモーション パラメーターを推定します。
シミュレートされたリアルな 2D 高速スピン エコー脳 MRI でのスライス内モーション補正実験は、明示的なデータの一貫性に基づく最適化の利点を維持しながら、高い再構成忠実度を達成します。
私たちのコードは、https://www.github.com/nalinimsingh/neuroMoCo で公開されています。

要約(オリジナル)

Motion artifacts are a pervasive problem in MRI, leading to misdiagnosis or mischaracterization in population-level imaging studies. Current retrospective rigid intra-slice motion correction techniques jointly optimize estimates of the image and the motion parameters. In this paper, we use a deep network to reduce the joint image-motion parameter search to a search over rigid motion parameters alone. Our network produces a reconstruction as a function of two inputs: corrupted k-space data and motion parameters. We train the network using simulated, motion-corrupted k-space data generated from known motion parameters. At test-time, we estimate unknown motion parameters by minimizing a data consistency loss between the motion parameters, the network-based image reconstruction given those parameters, and the acquired measurements. Intra-slice motion correction experiments on simulated and realistic 2D fast spin echo brain MRI achieve high reconstruction fidelity while retaining the benefits of explicit data consistency-based optimization. Our code is publicly available at https://www.github.com/nalinimsingh/neuroMoCo.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google