Constrained Probabilistic Mask Learning for Task-specific Undersampled MRI Reconstruction

要約

アンダーサンプリングは、k 空間内のデータ ポイントの数をサブサンプリングする磁気共鳴画像法 (MRI) の一般的な方法であり、画質は低下しますが、取得時間を短縮します。
一般的なアプローチは、可変密度サンプリングや放射状軌道などのさまざまな戦略に従ってアンダーサンプリング パターンを採用することです。
この研究では、データ ポイントからアンダーサンプリング マスクを直接学習する方法を提案します。これにより、タスク固有およびドメイン固有のパターンも提供されます。
結果として生じる離散最適化問題を解決するために、ProM と呼ばれる一般的な最適化ルーチンを提案します。ProM は、凸型制約を通じて加速係数を強制するマスク最適化のための、完全に確率的、微分可能、多用途、モデルフリーのフレームワークです。
私たちの方法で膝、脳、心臓の MRI データセットを分析すると、さまざまな解剖学的領域で個別の最適なアンダーサンプリング マスクが明らかになり、下流のタスクに合わせて調整されたカスタム マスクを使用する利点が実証されました。
たとえば、ProM は、完全にサンプリングされた MRI でトレーニングされたネットワークによるセグメンテーションなどの下流タスクのパフォーマンスを最大化するアンダーサンプリング マスクを作成できます。
ProM は、極端な加速係数を使用しても、既存の方法よりも汎用性が高く、適度なパフォーマンスを発揮し、データ駆動型の汎用マスク生成への道を開きます。

要約(オリジナル)

Undersampling is a common method in Magnetic Resonance Imaging (MRI) to subsample the number of data points in k-space, reducing acquisition times at the cost of decreased image quality. A popular approach is to employ undersampling patterns following various strategies, e.g., variable density sampling or radial trajectories. In this work, we propose a method that directly learns the undersampling masks from data points, thereby also providing task- and domain-specific patterns. To solve the resulting discrete optimization problem, we propose a general optimization routine called ProM: A fully probabilistic, differentiable, versatile, and model-free framework for mask optimization that enforces acceleration factors through a convex constraint. Analyzing knee, brain, and cardiac MRI datasets with our method, we discover that different anatomic regions reveal distinct optimal undersampling masks, demonstrating the benefits of using custom masks, tailored for a downstream task. For example, ProM can create undersampling masks that maximize performance in downstream tasks like segmentation with networks trained on fully-sampled MRIs. Even with extreme acceleration factors, ProM yields reasonable performance while being more versatile than existing methods, paving the way for data-driven all-purpose mask generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google