An Unsupervised Framework for Joint MRI Super Resolution and Gibbs Artifact Removal

要約

磁気共鳴イメージング（MRI）から生成されるk空間データは、基礎となる信号の有限なサンプリングに過ぎない。そのため、MRI画像はしばしば、低い空間分解能とギブスリンギングアーチファクトに悩まされる。これまでの研究では、この2つの問題に別々に取り組んでおり、超解像法はギブスアーチファクトを増強する傾向があり、一方、ギブスリンギング除去法は画像をぼかす傾向があります。また、臨床MRIでは高解像度のグランドトゥルースを得ることが困難であるという課題がある。本論文では、高解像度グランドトゥルースを用いずにMRI超解像とギブスアーチファクト除去の両方を行う教師無し学習フレームワークを提案する。さらに，分布外のMRI画像に対するモデルの汎化性を向上させるため，正則化手法を提案する．我々は，様々なコントラストと解剖学的構造を持つ8つのMRIデータセットにおいて，提案手法を他の最先端手法と比較評価した．本手法は最高のSR性能を達成するだけでなく，Gibbsアーチファクトを大幅に減少させることができる．また，本手法は異なるデータセット間で良好な一般性を示し，学習データが乏しく偏りがある臨床応用に有益である．

要約(オリジナル)

The k-space data generated from magnetic resonance imaging (MRI) is only a finite sampling of underlying signals. Therefore, MRI images often suffer from low spatial resolution and Gibbs ringing artifacts. Previous studies tackled these two problems separately, where super resolution methods tend to enhance Gibbs artifacts, whereas Gibbs ringing removal methods tend to blur the images. It is also a challenge that high resolution ground truth is hard to obtain in clinical MRI. In this paper, we propose an unsupervised learning framework for both MRI super resolution and Gibbs artifacts removal without using high resolution ground truth. Furthermore, we propose regularization methods to improve the model’s generalizability across out-of-distribution MRI images. We evaluated our proposed methods with other state-of-the-art methods on eight MRI datasets with various contrasts and anatomical structures. Our method not only achieves the best SR performance but also significantly reduces the Gibbs artifacts. Our method also demonstrates good generalizability across different datasets, which is beneficial to clinical applications where training data are usually scarce and biased.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL