SISMIK for brain MRI: Deep-learning-based motion estimation and model-based motion correction in k-space

要約

MRI は広く普及している非侵襲性医用画像診断法であり、患者の動きに非常に敏感です。
長年にわたる多くの試みにもかかわらず、動きの補正は依然として困難な問題であり、すべての状況に適用できる一般的な方法はありません。
我々は、臨床現場で定期的に使用される古典的な脳の2Dスピンエコースキャンに適した、面内剛体運動の問題に取り組むための運動の定量化と修正のための遡及的な方法を提案します。
k 空間の逐次取得により、モーション アーティファクトは適切に局所化されます。
この方法は、ディープ ニューラル ネットワークの力を利用して k 空間の動きパラメータを推定し、モデルベースのアプローチを使用して劣化した画像を復元して「幻覚」を回避します。
注目すべき利点は、動きのない参照を必要とせずに、高い空間周波数で発生する動きを推定できることです。
提案された方法は、k 空間ダイナミック レンジ全体で動作し、高調波の低い SNR の影響を適度に受けます。
概念実証として、43 の異なる被験者のモーションフリー スキャンに基づく 600k モーション シミュレーションで教師あり学習を使用してトレーニングされたモデルを提供します。
一般化パフォーマンスは、生体内だけでなくシミュレーションでもテストされました。
運動パラメータ推定と画像再構成について、定性的および定量的評価が示されています。
実験結果は、私たちのアプローチがシミュレートされたデータと生体内取得で良好な一般化パフォーマンスを得ることができることを示しています。

要約(オリジナル)

MRI, a widespread non-invasive medical imaging modality, is highly sensitive to patient motion. Despite many attempts over the years, motion correction remains a difficult problem and there is no general method applicable to all situations. We propose a retrospective method for motion quantification and correction to tackle the problem of in-plane rigid-body motion, apt for classical 2D Spin-Echo scans of the brain, which are regularly used in clinical practice. Due to the sequential acquisition of k-space, motion artifacts are well localized. The method leverages the power of deep neural networks to estimate motion parameters in k-space and uses a model-based approach to restore degraded images to avoid ”hallucinations”. Notable advantages are its ability to estimate motion occurring in high spatial frequencies without the need of a motion-free reference. The proposed method operates on the whole k-space dynamic range and is moderately affected by the lower SNR of higher harmonics. As a proof of concept, we provide models trained using supervised learning on 600k motion simulations based on motion-free scans of 43 different subjects. Generalization performance was tested with simulations as well as in-vivo. Qualitative and quantitative evaluations are presented for motion parameter estimations and image reconstruction. Experimental results show that our approach is able to obtain good generalization performance on simulated data and in-vivo acquisitions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google