NoSENSE: Learned unrolled cardiac MRI reconstruction without explicit sensitivity maps

要約

我々は、深層畳み込みニューラルネットワーク（CNN）とアルゴリズムアンローリングに基づいた複数の受信コイルを備えた加速心臓MRIのための新しい学習画像再構成方法を提案します。
別個のネットワークコンポーネントとしてコイル感度マップ（CSM）推定を必要とする多くの既存の学習済みMR画像再構成技術とは対照的に、私たちが提案するアプローチは明示的なCSM推定を回避します。
代わりに、画像のコイル間の関係を暗黙的にキャプチャし、利用する方法を学習します。
私たちの方法は、共有潜在情報と特徴ごとの変調 (FiLM) による取得パラメータへの適応を備えた一連の新しい学習画像ブロックと k 空間ブロック、およびコイルごとのデータ整合性 (DC) ブロックで構成されます。
私たちの方法は、MICCAI STACOM CMRxRecon Challenge のシネ トラックとマッピング トラック検証リーダーボードで、PSNR 値 34.89 と 35.56、SSIM 値 0.920 と 0.942 をそれぞれ達成し、執筆時点でさまざまなチーム中 4 位にランクされています。
コードは https://github.com/fzimmermann89/CMRxRecon で利用可能になります。

要約(オリジナル)

We present a novel learned image reconstruction method for accelerated cardiac MRI with multiple receiver coils based on deep convolutional neural networks (CNNs) and algorithm unrolling. In contrast to many existing learned MR image reconstruction techniques that necessitate coil-sensitivity map (CSM) estimation as a distinct network component, our proposed approach avoids explicit CSM estimation. Instead, it implicitly captures and learns to exploit the inter-coil relationships of the images. Our method consists of a series of novel learned image and k-space blocks with shared latent information and adaptation to the acquisition parameters by feature-wise modulation (FiLM), as well as coil-wise data-consistency (DC) blocks. Our method achieved PSNR values of 34.89 and 35.56 and SSIM values of 0.920 and 0.942 in the cine track and mapping track validation leaderboard of the MICCAI STACOM CMRxRecon Challenge, respectively, ranking 4th among different teams at the time of writing. Code will be made available at https://github.com/fzimmermann89/CMRxRecon

arxiv情報

提供元, 利用サービス

arxiv.jp, Google