Single-subject Multi-contrast MRI Super-resolution via Implicit Neural Representations

要約

臨床ルーチンおよび遡及コホートには通常、マルチパラメトリック磁気共鳴画像法が含まれます。
ただし、信号対雑音比とスキャン時間の制約により、それらはほとんどの場合、異なる異方性 2D ビューで取得されます。
したがって、取得されたビューは面外解像度が低くなり、通常は等方性 3D スキャンを必要とする下流の体積画像解析に影響を与えます。
マルチコントラスト スキャンのさまざまなビューを高解像度等方性 3D スキャンに結合することは、被験者固有のフレームワークが必要な大規模なトレーニング コホートが不足しているため困難です。
この研究では、Implicit Neural Representations (INR) を活用した、この問題に対する新しい解決策を提案しています。
私たちが提案する INR は、連続空間関数における相補的なビューの 2 つの異なるコントラストを共同学習し、それらの間で解剖学的情報を交換することから恩恵を受けます。
単一の汎用 GPU で数分以内にトレーニングされたこのモデルは、3 つのデータセットを使用した実験で、異なるコントラストのペアにわたって現実的な超解像度を提供します。
相互情報量 (MI) を指標として使用すると、モデルが配列間の最適な MI に収束し、解剖学的に忠実な再構成が達成されることがわかります。
コードはhttps://github.com/jqmcginis/multi_contrast_inr/から入手できます。

要約(オリジナル)

Clinical routine and retrospective cohorts commonly include multi-parametric Magnetic Resonance Imaging; however, they are mostly acquired in different anisotropic 2D views due to signal-to-noise-ratio and scan-time constraints. Thus acquired views suffer from poor out-of-plane resolution and affect downstream volumetric image analysis that typically requires isotropic 3D scans. Combining different views of multi-contrast scans into high-resolution isotropic 3D scans is challenging due to the lack of a large training cohort, which calls for a subject-specific framework. This work proposes a novel solution to this problem leveraging Implicit Neural Representations (INR). Our proposed INR jointly learns two different contrasts of complementary views in a continuous spatial function and benefits from exchanging anatomical information between them. Trained within minutes on a single commodity GPU, our model provides realistic super-resolution across different pairs of contrasts in our experiments with three datasets. Using Mutual Information (MI) as a metric, we find that our model converges to an optimum MI amongst sequences, achieving anatomically faithful reconstruction. Code is available at: https://github.com/jqmcginnis/multi_contrast_inr/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google