Global k-Space Interpolation for Dynamic MRI Reconstruction using Masked Image Modeling

要約

動的磁気共鳴画像法 (MRI) では、走査時間が限られているため、k 空間は通常アンダーサンプリングされ、画像領域内にエイリアシング アーティファクトが発生します。
したがって、動的 MR 再構成では、k 空間の x および y 方向の空間周波数成分をモデル化するだけでなく、時間的冗長性も考慮する必要があります。
これまでの研究のほとんどは、MR 再構成を行うために画像領域正則化器 (事前) に依存していました。
対照的に、フーリエ変換で画像を取得する前に、アンダーサンプリングされた k 空間を補間することに重点を置きます。
この研究では、マスクされた画像モデリングを k 空間補間と接続し、k-GIN と呼ばれる新しい Transformer ベースの k 空間グローバル補間ネットワークを提案します。
私たちの k-GIN は、2D+t k 空間の低周波成分と高周波成分間のグローバルな依存関係を学習し、それを使用して非サンプリング データを補間します。
さらに、高周波成分の学習を強化するための新しい k 空間反復改良モジュール (k-IRM) を提案します。
我々は、92 人の社内 2D+t 心臓 MR 被験者に対するアプローチを評価し、それを画像領域正則化装置を使用した MR 再構成法と比較します。
実験により、私たちが提案した k 空間内挿法が量的および定性的にベースライン法よりも優れていることが示されています。
重要なのは、提案されたアプローチは、高度にアンダーサンプリングされた MR データの場合に、大幅に高いロバスト性と一般化可能性を達成することです。
ビデオプレゼンテーション、ポスター、GIF の結果、コードについては、プロジェクトページをご覧ください: https://jzpeterpan.github.io/k-gin.github.io/。

要約(オリジナル)

In dynamic Magnetic Resonance Imaging (MRI), k-space is typically undersampled due to limited scan time, resulting in aliasing artifacts in the image domain. Hence, dynamic MR reconstruction requires not only modeling spatial frequency components in the x and y directions of k-space but also considering temporal redundancy. Most previous works rely on image-domain regularizers (priors) to conduct MR reconstruction. In contrast, we focus on interpolating the undersampled k-space before obtaining images with Fourier transform. In this work, we connect masked image modeling with k-space interpolation and propose a novel Transformer-based k-space Global Interpolation Network, termed k-GIN. Our k-GIN learns global dependencies among low- and high-frequency components of 2D+t k-space and uses it to interpolate unsampled data. Further, we propose a novel k-space Iterative Refinement Module (k-IRM) to enhance the high-frequency components learning. We evaluate our approach on 92 in-house 2D+t cardiac MR subjects and compare it to MR reconstruction methods with image-domain regularizers. Experiments show that our proposed k-space interpolation method quantitatively and qualitatively outperforms baseline methods. Importantly, the proposed approach achieves substantially higher robustness and generalizability in cases of highly-undersampled MR data. For video presentation, poster, GIF results and code please check our project page: https://jzpeterpan.github.io/k-gin.github.io/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google