Implicit Neural Representation for MRI Parallel Imaging Reconstruction

要約

磁気共鳴イメージング (MRI) は通常、長い取得時間に直面するため、特定の K 空間ラインを定期的にスキップし、その後アンダーサンプリングされた K 空間から高品質の画像を再構成することでこの問題を軽減するパラレル イメージング (PI) などの戦略の検討が求められています。
暗黙的ニューラル表現 (INR) は最近、有望な深層学習技術として浮上しており、通常は多層パーセプトロン (MLP) によってパラメーター化される空間座標の連続関数としてオブジェクトを特徴付けます。
本研究では、INRを用いた新しいMRI PI再構成法を提案する。
私たちのアプローチは、再構築された完全にサンプリングされた画像をボクセル座標とアンダーサンプリングされた画像からの以前の特徴ベクトルの関数として表し、INR の一般化の課題に対処します。
具体的には、スケール埋め込みエンコーダを導入して、さまざまなアンダーサンプリング スケールにわたる MR 画像からスケールに依存しないボクセル固有の特徴を生成します。
これらの特徴は座標ベクトルと連結されて、完全にサンプリングされた MR 画像が再構成され、マルチスケールの再構成が容易になります。
私たちの方法のパフォーマンスを評価するために、公的に利用可能な MRI データセットを使用して実験を実施し、代替の再構成技術と比較しました。
定量的な評価により、提案手法の優位性が実証されました。

要約(オリジナル)

Magnetic resonance imaging (MRI) usually faces lengthy acquisition times, prompting the exploration of strategies such as parallel imaging (PI) to alleviate this problem by periodically skipping specific K-space lines and subsequently reconstructing high-quality images from the undersampled K-space. Implicit neural representation (INR) has recently emerged as a promising deep learning technique, characterizing objects as continuous functions of spatial coordinates typically parameterized by a multilayer perceptron (MLP). In this study, we propose a novel MRI PI reconstruction method that uses INR. Our approach represents reconstructed fully-sampled images as functions of voxel coordinates and prior feature vectors from undersampled images, addressing the generalization challenges of INR. Specifically, we introduce a scale-embedded encoder to generate scale-independent, voxel-specific features from MR images across various undersampling scales. These features are then concatenated with coordinate vectors to reconstruct fully-sampled MR images, facilitating multiple-scale reconstructions. To evaluate our method’s performance, we conducted experiments using publicly available MRI datasets, comparing it with alternative reconstruction techniques. Our quantitative assessment demonstrates the superiority of our proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google