Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction

要約

MRI再構成に関する最近の研究では、MRI撮影をさらに高速化するための進歩が大きく期待されている。最新の手法のほとんどは、再構成モデルを最適化するために大量のフルサンプリングデータを必要とするが、これは特定の臨床環境下では非現実的であり、コストもかかる。一方、教師なしスキャンに特化した再構成法では、監視が不十分なためオーバーフィッティングが起こりやすく、加速率やアンダーサンプリングパターンの制限により、適用性がさらに制限される。このため、我々は、スパースレベルやアンダーサンプリングのパターンに制約されることなく再構成品質を向上させる、教師なし適応的粗視化フレームワークを提案する。このフレームワークは、スキャンに特化したMRI再構成のために、多次元座標から対応する信号強度へのマッピングを学習する暗黙的な神経表現を用いる。さらに、自己監視のために、取得されたk空間信号の利用を漸進的に洗練させる新しい学習戦略を統合する。このアプローチにより、異なる周波数帯域に偏在する情報からの教師信号の割合を効果的に調整し、全体的な再構成を向上させながら、オーバーフィッティングの問題を緩和する。2Dデータと3Dデータの両方を含む公開データセットを用いた包括的な評価により、本手法は、最大8倍のアンダーサンプリングにおいて、現在の最新のスキャン固有のMRI再構成技術を凌駕することが示された。

要約(オリジナル)

In recent studies on MRI reconstruction, advances have shown significant promise for further accelerating the MRI acquisition. Most state-of-the-art methods require a large amount of fully-sampled data to optimise reconstruction models, which is impractical and expensive under certain clinical settings. On the other hand, for unsupervised scan-specific reconstruction methods, overfitting is likely to happen due to insufficient supervision, while restrictions on acceleration rates and under-sampling patterns further limit their applicability. To this end, we propose an unsupervised, adaptive coarse-to-fine framework that enhances reconstruction quality without being constrained by the sparsity levels or patterns in under-sampling. The framework employs an implicit neural representation for scan-specific MRI reconstruction, learning a mapping from multi-dimensional coordinates to their corresponding signal intensities. Moreover, we integrate a novel learning strategy that progressively refines the use of acquired k-space signals for self-supervision. This approach effectively adjusts the proportion of supervising signals from unevenly distributed information across different frequency bands, thus mitigating the issue of overfitting while improving the overall reconstruction. Comprehensive evaluation on a public dataset, including both 2D and 3D data, has shown that our method outperforms current state-of-the-art scan-specific MRI reconstruction techniques, for up to 8-fold under-sampling.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL