Improved Multi-Shot Diffusion-Weighted MRI with Zero-Shot Self-Supervised Learning Reconstruction

要約

拡散 MRI は、取得時間が短いため、一般的にエコープラナー イメージング (EPI) を使用して実行されます。
ただし、拡散強調画像の解像度は、磁場の不均一性に関連するアーティファクトや、T2 および T2* 緩和効果によって引き起こされるぼやけによって制限されることがよくあります。
これらの制限に対処するために、並列イメージング技術と組み合わせたマルチショット EPI (msEPI) が頻繁に使用されます。
それにもかかわらず、msEPI の再構築は、複数のショット間の位相の変化により困難になる可能性があります。
この研究では、zero-MIRID (改善された拡散 MRI のためのマルチショット画像再構成のゼロショット自己教師あり学習) と呼ばれる新しい msEPI 再構成アプローチを紹介します。
この方法では、深層学習ベースの画像正則化技術を組み込んで、msEPI データを共同再構築します。
このネットワークには、k 空間と画像空間の両方に CNN デノイザーが組み込まれており、仮想コイルを活用して画像再構成の調整を強化します。
自己教師あり学習手法を採用し、サンプリングされたデータを 3 つのグループに分割することにより、提案されたアプローチは、生体内実験で実証されたように、最先端の並列イメージング法と比較して優れた結果を達成します。

要約(オリジナル)

Diffusion MRI is commonly performed using echo-planar imaging (EPI) due to its rapid acquisition time. However, the resolution of diffusion-weighted images is often limited by magnetic field inhomogeneity-related artifacts and blurring induced by T2- and T2*-relaxation effects. To address these limitations, multi-shot EPI (msEPI) combined with parallel imaging techniques is frequently employed. Nevertheless, reconstructing msEPI can be challenging due to phase variation between multiple shots. In this study, we introduce a novel msEPI reconstruction approach called zero-MIRID (zero-shot self-supervised learning of Multi-shot Image Reconstruction for Improved Diffusion MRI). This method jointly reconstructs msEPI data by incorporating deep learning-based image regularization techniques. The network incorporates CNN denoisers in both k- and image-spaces, while leveraging virtual coils to enhance image reconstruction conditioning. By employing a self-supervised learning technique and dividing sampled data into three groups, the proposed approach achieves superior results compared to the state-of-the-art parallel imaging method, as demonstrated in an in-vivo experiment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google