UNAEN: Unsupervised Abnormality Extraction Network for MRI Motion Artifact Reduction

要約

モーションアーチファクトは磁気共鳴画像法（MRI）の品質を損ない、診断結果や画像誘導治療の達成に課題をもたらします。
近年、教師あり深層学習アプローチが、モーション アーティファクト削減 (MAR) の成功したソリューションとして登場してきました。
これらの方法の欠点の 1 つは、トレーニング目的でモーション アーチファクト破損 (MA 破損) とモーション アーチファクトなし (MA フリー) の MR 画像のペアのセットを取得することに依存していることです。
このような画像ペアを取得することは困難であるため、教師ありトレーニングの適用が制限されます。
この論文では、この問題を軽減するために、新しい UNsupervised Abnormality Extraction Network (UNAEN) を提案します。
私たちのネットワークは、ペアになっていない MA で破損したイメージと MA のないイメージを処理できます。
MA 破損 MR 画像から残留アーチファクト マップを明示的にインターセプトする提案されたアーチファクト抽出器と、元の入力を復元する再構成器を使用して、MA 破損画像から異常を抽出することにより、MA 破損画像を MA 低減画像に変換します。
MA 縮小画像から。
UNAEN のパフォーマンスは、公的に利用可能なさまざまな MRI データセットを実験し、それらを最先端の方法と比較することによって評価されました。
定量的評価は、代替の MAR 方法に対する UNAEN の優位性を実証し、残留アーティファクトが視覚的に少ないことを示します。
私たちの結果は、診断精度を高め、画像誘導治療を容易にする機能を備え、実際の臨床環境に適用できる有望なソリューションとしての UNAEN の可能性を実証しています。

要約(オリジナル)

Motion artifacts compromise the quality of magnetic resonance imaging (MRI) and pose challenges to achieving diagnostic outcomes and image-guided therapies. In recent years, supervised deep learning approaches have emerged as successful solutions for motion artifact reduction (MAR). One disadvantage of these methods is their dependency on acquiring paired sets of motion artifact-corrupted (MA-corrupted) and motion artifact-free (MA-free) MR images for training purposes. Obtaining such image pairs is difficult and therefore limits the application of supervised training. In this paper, we propose a novel UNsupervised Abnormality Extraction Network (UNAEN) to alleviate this problem. Our network is capable of working with unpaired MA-corrupted and MA-free images. It converts the MA-corrupted images to MA-reduced images by extracting abnormalities from the MA-corrupted images using a proposed artifact extractor, which intercepts the residual artifact maps from the MA-corrupted MR images explicitly, and a reconstructor to restore the original input from the MA-reduced images. The performance of UNAEN was assessed by experimenting on various publicly available MRI datasets and comparing them with state-of-the-art methods. The quantitative evaluation demonstrates the superiority of UNAEN over alternative MAR methods and visually exhibits fewer residual artifacts. Our results substantiate the potential of UNAEN as a promising solution applicable in real-world clinical environments, with the capability to enhance diagnostic accuracy and facilitate image-guided therapies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google