CAMP-Net: Consistency-Aware Multi-Prior Network for Accelerated MRI Reconstruction

要約

ディープラーニングに基づくMRI再構成手法の有望な進歩にもかかわらず、高周波数画像の詳細とテクスチャの復元は、加速MRIにとって依然として困難な問題である。この課題に取り組むために、我々はMRI再構成のための新しい一貫性認識マルチ事前ネットワーク（CAMP-Net）を提案する。CAMP-Netは、複数の事前知識の相補性を活用し、ハイブリッド領域における隣接スライス間のデータの冗長性を探索し、画質を向上させる。CAMP-Netは、画像強調、k空間復元、キャリブレーション一貫性の3つのモジュールから構成され、一貫性を考慮した複数の事前知識をエンドツーエンドで学習する。画像強調モジュールは、ノイズのようなアーチファクトを抑制するためのコイル結合画像事前分布を学習し、k空間復元モジュールは高周波の詳細を復元するためのマルチコイルk空間相関を探索する。較正一貫性モジュールは、MRI撮影の既知の物理的特性を組み込み、測定から抽出されたk空間相関とアーチファクトのない画像中間体の一貫性を保証する。その結果得られた低周波と高周波の再構成は、周波数融合モジュールで階層的に集約され、最終画像を段階的に再構成するために繰り返し精緻化される。様々な加速度とサンプリングパターンを持つ3つの大規模な公開データセットを用いて、本手法の一般性と頑健性を評価した。包括的な実験により、CAMP-Netは再構成品質と定量的な$T_2$マッピングの点で、最先端の手法を凌駕することが実証された。

要約(オリジナル)

Despite promising advances in deep learning-based MRI reconstruction methods, restoring high-frequency image details and textures remains a challenging problem for accelerated MRI. To tackle this challenge, we propose a novel consistency-aware multi-prior network (CAMP-Net) for MRI reconstruction. CAMP-Net leverages the complementary nature of multiple prior knowledge and explores data redundancy between adjacent slices in the hybrid domain to improve image quality. It incorporates three interleaved modules respectively for image enhancement, k-space restoration, and calibration consistency to jointly learn consistency-aware multiple priors in an end-to-end fashion. The image enhancement module learns a coil-combined image prior to suppress noise-like artifacts, while the k-space restoration module explores multi-coil k-space correlations to recover high-frequency details. The calibration consistency module embeds the known physical properties of MRI acquisition to ensure consistency of k-space correlations extracted from measurements and the artifact-free image intermediate. The resulting low- and high-frequency reconstructions are hierarchically aggregated in a frequency fusion module and iteratively refined to progressively reconstruct the final image. We evaluated the generalizability and robustness of our method on three large public datasets with various accelerations and sampling patterns. Comprehensive experiments demonstrate that CAMP-Net outperforms state-of-the-art methods in terms of reconstruction quality and quantitative $T_2$ mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL