Learning the Domain Specific Inverse NUFFT for Accelerated Spiral MRI using Diffusion Models

要約

加速された MRI のディープラーニング手法は最先端の結果を達成しますが、非デカルト サンプリング軌道で可能な追加の高速化はほとんど無視されます。
このギャップに対処するために、マルチコイルの高度にアンダーサンプリングされたスパイラル MRI 用の生成拡散モデルベースの再構成アルゴリズムを作成しました。
このモデルは、トレーニング中のコンディショニングと周波数ベースのガイダンスを使用して、画像と測定値の間の一貫性を確保します。
遡及データに基づいて評価したところ、超高速スキャン時間 (2D 画像の場合は 0.02 秒) による再構成画像で高品質 (構造類似性 > 0.87) が示されました。
このアルゴリズムを使用して最適な可変密度スパイラル軌道のセットを特定し、不均一高速フーリエ変換を使用した従来の再構成と比較して画質が大幅に向上していることを示します。
これらの方法は、効率的なスパイラル サンプリング軌道、マルチコイル イメージング、ディープラーニング再構成を組み合わせることで、リアルタイム 3D イメージングに必要な極めて高い加速係数を可能にする可能性があります。

要約(オリジナル)

Deep learning methods for accelerated MRI achieve state-of-the-art results but largely ignore additional speedups possible with noncartesian sampling trajectories. To address this gap, we created a generative diffusion model-based reconstruction algorithm for multi-coil highly undersampled spiral MRI. This model uses conditioning during training as well as frequency-based guidance to ensure consistency between images and measurements. Evaluated on retrospective data, we show high quality (structural similarity > 0.87) in reconstructed images with ultrafast scan times (0.02 seconds for a 2D image). We use this algorithm to identify a set of optimal variable-density spiral trajectories and show large improvements in image quality compared to conventional reconstruction using the non-uniform fast Fourier transform. By combining efficient spiral sampling trajectories, multicoil imaging, and deep learning reconstruction, these methods could enable the extremely high acceleration factors needed for real-time 3D imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google