Scalable Non-Cartesian Magnetic Resonance Imaging with R2D2

要約

我々は、非デカルト磁気共鳴画像再構成のための新しいアプローチを提案します。
アンロールド アーキテクチャはデータ整合性レイヤーを介して堅牢性を提供しますが、ディープ ニューラル ネットワーク (DNN) に測定演算子を埋め込むことは大規模では非現実的になる可能性があります。
代替のプラグ アンド プレイ (PnP) アプローチは、ノイズ除去 DNN が測定設定を認識しないため、この制限の影響を受けず、効果的であることが証明されていますが、反復性が高いため、スケーラビリティにも影響します。
このスケーラビリティの課題に対処するために、私たちは天体イメージングで最近導入された「ハイ ダイナミック レンジ イメージング用の残差対残差 DNN シリーズ (R2D2)」アプローチを活用します。
R2D2 の再構成は一連の残差画像として形成され、前の反復の画像推定と関連するデータ残差を入力として取得する DNN の出力として反復的に推定されます。
このメソッドは、Matching Pursuit アルゴリズムの学習バージョンとして解釈できます。
放射状 k 空間サンプリング取得シーケンスを考慮して、シミュレーションで R2D2 を実証します。
私たちの予備的な結果は、R2D2 が次のことを達成していることを示唆しています。(i) 展開された具体化 R2D2-Net と比較すると、次善のパフォーマンスですが、NUFFT ベースのデータ整合性レイヤーの埋め込みが必要なため、スケーラブルではありません。
(ii) データの一貫性のために FFT ベースの近似を組み込んだ R2D2-Net のスケーラブル バージョンよりも優れた再構成品質。
(iii) PnP よりも優れた再構築品質を実現しながら、必要な反復はわずかです。

要約(オリジナル)

We propose a new approach for non-Cartesian magnetic resonance image reconstruction. While unrolled architectures provide robustness via data-consistency layers, embedding measurement operators in Deep Neural Network (DNN) can become impractical at large scale. Alternative Plug-and-Play (PnP) approaches, where the denoising DNNs are blind to the measurement setting, are not affected by this limitation and have also proven effective, but their highly iterative nature also affects scalability. To address this scalability challenge, we leverage the ‘Residual-to-Residual DNN series for high-Dynamic range imaging (R2D2)’ approach recently introduced in astronomical imaging. R2D2’s reconstruction is formed as a series of residual images, iteratively estimated as outputs of DNNs taking the previous iteration’s image estimate and associated data residual as inputs. The method can be interpreted as a learned version of the Matching Pursuit algorithm. We demonstrate R2D2 in simulation, considering radial k-space sampling acquisition sequences. Our preliminary results suggest that R2D2 achieves: (i) suboptimal performance compared to its unrolled incarnation R2D2-Net, which is however non-scalable due to the necessary embedding of NUFFT-based data-consistency layers; (ii) superior reconstruction quality to a scalable version of R2D2-Net embedding an FFT-based approximation for data consistency; (iii) superior reconstruction quality to PnP, while only requiring few iterations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google