NeRF Solves Undersampled MRI Reconstruction

要約

この記事では、Neural Radiance Field (NeRF) の概念を活用した新しいアンダーサンプリング磁気共鳴画像法 (MRI) 技術を紹介します。
放射状アンダーサンプリングを使用すると、対応するイメージング問題を、スパース ビューでレンダリングされたデータから画像モデリング タスクに再定式化できます。
したがって、暗黙的なニューラル表現を利用することで、アンダーサンプリングされた $k$ 空間データから高次元の MR 画像を取得できます。
空間座標から画像強度を出力するように設計された多層パーセプトロンは、指定された測定データと目的の画像の間の MR 物理学に基づくレンダリング関係を学習します。
高品質のニューラル表現のための効果的なアンダーサンプリング戦略が調査されます。
提案された方法には 2 つの利点があります: (i) 学習は、大量の測定データやターゲット画像セットではなく、単一のアンダーサンプリングされた $k$ 空間データに完全に基づいています。
胎児 MRI などの診断用 MR 画像処理に使用できる可能性があります。この場合、データ取得が比較的稀であるか、臨床画像の多様性に対して制限されている一方、アンダーサンプリングされた再構成が強く求められています。
(ii) 再構成されたMR画像は、与えられた $k$ 空間測定に高度に適応したスキャン固有の表現である。
数多くの実験により、提案されたアプローチの実現可能性と機能が検証されています。

要約(オリジナル)

This article presents a novel undersampled magnetic resonance imaging (MRI) technique that leverages the concept of Neural Radiance Field (NeRF). With radial undersampling, the corresponding imaging problem can be reformulated into an image modeling task from sparse-view rendered data; therefore, a high dimensional MR image is obtainable from undersampled $k$-space data by taking advantage of implicit neural representation. A multi-layer perceptron, which is designed to output an image intensity from a spatial coordinate, learns the MR physics-driven rendering relation between given measurement data and desired image. Effective undersampling strategies for high-quality neural representation are investigated. The proposed method serves two benefits: (i) The learning is based fully on single undersampled $k$-space data, not a bunch of measured data and target image sets. It can be used potentially for diagnostic MR imaging, such as fetal MRI, where data acquisition is relatively rare or limited against diversity of clinical images while undersampled reconstruction is highly demanded. (ii) A reconstructed MR image is a scan-specific representation highly adaptive to the given $k$-space measurement. Numerous experiments validate the feasibility and capability of the proposed approach.

arxiv情報

著者 Tae Jun Jang,Chang Min Hyun
発行日 2024-02-20 18:37:42+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CE, eess.IV, eess.SP パーマリンク