Learning Task-Specific Strategies for Accelerated MRI

要約

タイトル：加速MRIのためのタスク特化戦略の学習

要約：
– 圧縮センシングMRIは、診断タスクのために、サブサンプリングされた測定から視覚情報を回復しようとするものである。
– 従来の方法では、測定サブサンプリング、画像再構成、タスク予測を別々に取り扱っており、エンドツーエンドのパフォーマンスが劣化する。
– 本研究では、特定のタスクに合わせて設計されたCS-MRIシステムを設計するためのTACKLEフレームワークを提案している
– 最近の共同設計技術を活用し、TACKLEはサブサンプリング、再構築、予測戦略を統一的に最適化して、ダウンストリームのタスクのパフォーマンスを向上させる。
– 多数の公開MRIデータセットでの結果から、提案されたフレームワークが伝統的なCS-MRI方法よりも各種タスクでより高い性能を発揮することがわかった。
– また、TACKLEの汎化能力を検証するために、トレーニングデータとは異なる取得セットアップを使用して新しいデータセットを実験的に収集した。追加の微調整なしに、TACKLEは頑健に動作し、数値的および視覚的な改善につながった。

要約(オリジナル)

Compressed sensing magnetic resonance imaging (CS-MRI) seeks to recover visual information from subsampled measurements for diagnostic tasks. Traditional CS-MRI methods often separately address measurement subsampling, image reconstruction, and task prediction, resulting in suboptimal end-to-end performance. In this work, we propose TACKLE as a unified framework for designing CS-MRI systems tailored to specific tasks. Leveraging recent co-design techniques, TACKLE jointly optimizes subsampling, reconstruction, and prediction strategies to enhance the performance on the downstream task. Our results on multiple public MRI datasets show that the proposed framework achieves improved performance on various tasks over traditional CS-MRI methods. We also evaluate the generalization ability of TACKLE by experimentally collecting a new dataset using different acquisition setups from the training data. Without additional fine-tuning, TACKLE functions robustly and leads to both numerical and visual improvements.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI