High-Dimensional MR Reconstruction Integrating Subspace and Adaptive Generative Models

要約

我々は、高次元MR画像再構成の前に、部分空間モデリングと適応生成画像を統合する新しい方法を提案します。
部分空間モデルは高次元画像の明示的な低次元表現を課しますが、生成画像は事前に「コントラスト強調」画像または部分空間モデルの空間係数に対する空間制約として機能します。
これら 2 つのコンポーネントと関節の疎らさなどの相補的な規則化を相乗させるための処方が導入されました。
実験データによって検証された、コントラストが異なる画像の正確な生成モデルベースの表現を構築するために、特別な事前トレーニングと被験者固有のネットワーク適応戦略が提案されました。
最近開発されたネットワーク反転用の中間層最適化技術を活用した、生成画像モデルの部分空間係数と多重解像度潜在空間を共同更新する反復アルゴリズムが導入されました。
我々は、加速された MR パラメータ マッピングと高解像度 MRSI という 2 つの高次元イメージング アプリケーションにおける提案された方法の有用性を評価しました。
どちらの場合も、最先端の部分空間ベースの手法と比べてパフォーマンスが向上していることが実証されました。
私たちの研究は、データ駆動型の適応生成モデルと、高次元のイメージング問題に対する低次元表現との統合の可能性を実証しました。

要約(オリジナル)

We present a novel method that integrates subspace modeling with an adaptive generative image prior for high-dimensional MR image reconstruction. The subspace model imposes an explicit low-dimensional representation of the high-dimensional images, while the generative image prior serves as a spatial constraint on the ‘contrast-weighted’ images or the spatial coefficients of the subspace model. A formulation was introduced to synergize these two components with complimentary regularization such as joint sparsity. A special pretraining plus subject-specific network adaptation strategy was proposed to construct an accurate generative-model-based representation for images with varying contrasts, validated by experimental data. An iterative algorithm was introduced to jointly update the subspace coefficients and the multiresolution latent space of the generative image model that leveraged a recently developed intermediate layer optimization technique for network inversion. We evaluated the utility of the proposed method in two high-dimensional imaging applications: accelerated MR parameter mapping and high-resolution MRSI. Improved performance over state-of-the-art subspace-based methods was demonstrated in both cases. Our work demonstrated the potential of integrating data-driven and adaptive generative models with low-dimensional representation for high-dimensional imaging problems.

arxiv情報

著者 Ruiyang Zhao,Xi Peng,Varun A. Kelkar,Mark A. Anastasio,Fan Lam
発行日 2023-06-16 15:06:36+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, eess.IV パーマリンク