Retrospective Motion Correction in Gradient Echo MRI by Explicit Motion Estimation Using Deep CNNs

要約

【タイトル】Deep CNNを用いた明示的なモーション推定による勾配エコーMRIにおける回顧的モーション補正

【要約】
– MRIは高解像度のデータ収集を可能にするが、比較的長い収集時間のため、モーション感度があり、単一の2Dスライスの収集中でもモーションが画像を大きく悪化させることがある。
– 回想的なモーション補正戦略は、収集時間中には干渉せずにモーションに影響を受けたデータに対して動作する。そのような戦略に適した既知の手法には、圧縮センシング（CS）、生成的敵対的ネットワーク（GAN）、およびモーション推定がある。
– 本論文では、Deep CNNを使用して動きによるアーティファクトを修正する戦略を提案する。多数の受信コイルが提供するSENSEリダンダンシーは、過去に加速、ノイズ低減、および剛性モーション補償に使用されてきた。我々は、Deep CNNを使用することで、剛体モーション補償の概念をより複雑な動きに一般化できることを示す。
– シミュレートされた合成データセットを使用して、提案された監督付きネットワークは、腹部および頭部のモーションによるMRIに評価される。さらに、剛体モーション補償とGANとの結果を比較する。

要約(オリジナル)

Magnetic Resonance Imaging allows high resolution data acquisition with the downside of motion sensitivity due to relatively long acquisition times. Even during the acquisition of a single 2D slice, motion can severely corrupt the image. Retrospective motion correction strategies do not interfere during acquisition time but operate on the motion affected data. Known methods suited to this scenario are compressed sensing (CS), generative adversarial networks (GANs), and motion estimation. In this paper we propose a strategy to correct for motion artifacts using Deep Convolutional Neuronal Networks (Deep CNNs) in a reliable and verifiable manner by explicit motion estimation. The sensitivity encoding (SENSE) redundancy that multiple receiver coils provide, has in the past been used for acceleration, noise reduction and rigid motion compensation. We show that using Deep CNNs the concepts of rigid motion compensation can be generalized to more complex motion fields. Using a simulated synthetic data set, our proposed supervised network is evaluated on motion corrupted MRIs of abdomen and head. We compare our results with rigid motion compensation and GANs.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI