Adaptive Local Neighborhood-based Neural Networks for MR Image Reconstruction from Undersampled Data

要約

最近の医用画像再構成技術は、臨床使用に適した高品質の医用画像を、可能な限り低コストで、患者への悪影響を最小限に抑えて生成することに焦点を当てています。
最近の研究では、深層学習を使用してまばらにサンプリングされた k 空間データから MR 画像を再構成することが非常に有望であることが示されています。
この研究では、トレーニング セットの適応的に推定された小さな近傍にディープ ニューラル ネットワークを当てはめることにより、再構築時に直接ディープ ニューラル ネットワークを迅速に推定する手法を提案します。
簡単に言うと、私たちのアルゴリズムは、テスト再構成に類似したデータ セット内の近傍を検索することと、これらの近傍でローカル ネットワークをトレーニングし、続いてテスト再構成を更新することを交互に行います。
私たちの再構成モデ​​ルは、大規模で多様なトレーニング セットに適合させるのではなく、ある意味、再構成される画像に似たデータセットで学習されるため、新しいスキャンへの適応性が高くなります。
また、比較的高速でありながら、トレーニング セットの変更や柔軟なスキャン設定も処理できます。
LONDN-MRI と呼ばれる私たちのアプローチは、深く展開された再構成ネットワークを使用して複数のデータセットで検証されました。
再構成は、1D 可変密度ランダム位相エンコード アンダーサンプリング マスクを使用して、k 空間の 4 倍および 8 倍アンダーサンプリングで実行されました。
私たちの結果は、私たちが提案するローカルでトレーニングされた手法が、より大きなデータセットでグローバルにトレーニングされたモデルや他のスキャン適応手法と比較して、高品質の再構成を生成することを示しています。

要約(オリジナル)

Recent medical image reconstruction techniques focus on generating high-quality medical images suitable for clinical use at the lowest possible cost and with the fewest possible adverse effects on patients. Recent works have shown significant promise for reconstructing MR images from sparsely sampled k-space data using deep learning. In this work, we propose a technique that rapidly estimates deep neural networks directly at reconstruction time by fitting them on small adaptively estimated neighborhoods of a training set. In brief, our algorithm alternates between searching for neighbors in a data set that are similar to the test reconstruction, and training a local network on these neighbors followed by updating the test reconstruction. Because our reconstruction model is learned on a dataset that is in some sense similar to the image being reconstructed rather than being fit on a large, diverse training set, it is more adaptive to new scans. It can also handle changes in training sets and flexible scan settings, while being relatively fast. Our approach, dubbed LONDN-MRI, was validated on multiple data sets using deep unrolled reconstruction networks. Reconstructions were performed at four fold and eight fold undersampling of k-space with 1D variable-density random phase-encode undersampling masks. Our results demonstrate that our proposed locally-trained method produces higher-quality reconstructions compared to models trained globally on larger datasets as well as other scan-adaptive methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google