PhaseNet: Phase-Encode Denoising Network for Compressed Sensing MRI

要約

スパース再構成は、現代の医療画像処理の重要な側面であり、磁気共鳴画像法 (MRI) などの比較的遅いモダリティの取得時間を短縮します。
一般的な方法は主に圧縮センシング (CS) に基づいており、フーリエ係数 ($k$-space) のランダム サンプリングに依存して、凸最適化によって除去できる一貫性のない (ノイズのような) アーティファクトを生成します。
ハードウェアの制約により、現在、デカルト CS は 1 次元 (1D) フェーズ エンコード アンダーサンプリング スキームに制限されており、一貫性のある構造化されたアーティファクトが発生しています。
再構成アルゴリズムは通常、アーティファクト除去のために理想化された限定的な 2D 正則化を展開するため、画像の回復が難しくなります。
フェーズ エンコード アーティファクトを連続した 1D 信号に分離できることを認識して、明示的な 1D 正則化を可能にする 2 つのデカップリング手法を開発します。
これにより、位相エンコード方向の優れたインコヒーレンス特性を活用します。
また、画像内の空間関係をさらに活用する 1D + 2D 再構成手法を組み合わせて導出し、既存の 2D 深層学習 (DL) 回復手法の改善につながります。
パフォーマンスは、脳と膝のデータセットで評価されます。
提案された 1D CNN モジュールは、ベースの 2D モデルと比較して PSNR および SSIM スコアを大幅に改善し、2D ネットワーク層のサイズを大きくするよりも優れたパフォーマンスのスケーリングを示しています。

要約(オリジナル)

Sparse reconstruction is an important aspect of modern medical imaging, reducing the acquisition time of relatively slow modalities such as magnetic resonance imaging (MRI). Popular methods are based mostly on compressed sensing (CS), which relies on the random sampling of Fourier coefficients ($k$-space) to produce incoherent (noise-like) artefacts that can be removed via convex optimisation. Hardware constraints currently limit Cartesian CS to one dimensional (1D) phase-encode undersampling schemes, leading to coherent and structured artefacts. Reconstruction algorithms typically deploy an idealised and limited 2D regularisation for artefact removal, which increases the difficulty of image recovery. Recognising that phase-encode artefacts can be separated into contiguous 1D signals, we develop two decoupling techniques that enable explicit 1D regularisation. We thereby leverage the excellent incoherence characteristics in the phase-encode direction. We also derive a combined 1D + 2D reconstruction technique that further takes advantage of spatial relationships within the image, leading to an improvement of existing 2D deep-learned (DL) recovery techniques. Performance is evaluated on a brain and knee dataset. We find the proposed 1D CNN modules significantly improve PSNR and SSIM scores compared to the base 2D models, demonstrating a superior scaling of performance compared to increasing the size of 2D network layers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google