NLCG-Net: A Model-Based Zero-Shot Learning Framework for Undersampled Quantitative MRI Reconstruction

要約

一般的な定量的 MRI (qMRI) 方法では、画像再構成後にパラメータ マップを推定しますが、バイアスやエラー伝播が発生しやすいです。
スキャン固有の方法でトレーニングされた U-Net 正則化を組み込んだ、モデルベースの T2/T1 推定用の非線形共役勾配 (NLCG) オプティマイザーを提案します。
このエンドツーエンドの方法では、ゼロショット スキャン固有のニューラル ネットワーク正則化によるモノ指数信号モデリングを使用して、アンダーサンプリングされた k 空間データから qMRI マップを直接推定し、高忠実度の T1 および T2 マッピングを可能にします。
T2 および T1 マッピングの結果は、高加速度での部分空間再構成と比較して、提案された NLCG-Net が推定品質を向上させる能力を示しています。

要約(オリジナル)

Typical quantitative MRI (qMRI) methods estimate parameter maps after image reconstructing, which is prone to biases and error propagation. We propose a Nonlinear Conjugate Gradient (NLCG) optimizer for model-based T2/T1 estimation, which incorporates U-Net regularization trained in a scan-specific manner. This end-to-end method directly estimates qMRI maps from undersampled k-space data using mono-exponential signal modeling with zero-shot scan-specific neural network regularization to enable high fidelity T1 and T2 mapping. T2 and T1 mapping results demonstrate the ability of the proposed NLCG-Net to improve estimation quality compared to subspace reconstruction at high accelerations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google