The MRI Scanner as a Diagnostic: Image-less Active Sampling

要約

磁気共鳴画像法 (MRI) の診断精度は高いにもかかわらず、MRI をポイントオブケア (POC) 疾患識別ツールとして使用すると、高い磁場強度と長い取得時間の使用により、アクセシビリティに重大な課題が生じます。
私たちは単純な質問をします。画像再構成を考慮せずに、（自動化された）下流の意思決定タスクに従って、収集したサンプルを患者レベルで動的に最適化することはできますか?
私たちは、強化学習を介して患者レベルでアクティブなサンプリング戦略を学習し、アンダーサンプリングされた k 空間から疾患を直接推論する ML ベースのフレームワークを提案します。
アンダーサンプリングされた膝 MRI データで半月板断裂を推定することでアプローチを検証します。完全にサンプリングされた k 空間データを使用して、ML ベースの診断と同等の診断パフォーマンスを実現します。
タスク固有のサンプリング ポリシーを分析し、アクティブ サンプリング アプローチの適応性を示します。
導入された質素なサンプリング戦略は、高い電界強度の要件を軽減する可能性があり、その結果、MRI ベースの POC 疾患識別および関連する予備スクリーニング ツールの実行可能性が強化されます。

要約(オリジナル)

Despite the high diagnostic accuracy of Magnetic Resonance Imaging (MRI), using MRI as a Point-of-Care (POC) disease identification tool poses significant accessibility challenges due to the use of high magnetic field strength and lengthy acquisition times. We ask a simple question: Can we dynamically optimise acquired samples, at the patient level, according to an (automated) downstream decision task, while discounting image reconstruction? We propose an ML-based framework that learns an active sampling strategy, via reinforcement learning, at a patient-level to directly infer disease from undersampled k-space. We validate our approach by inferring Meniscus Tear in undersampled knee MRI data, where we achieve diagnostic performance comparable with ML-based diagnosis, using fully sampled k-space data. We analyse task-specific sampling policies, showcasing the adaptability of our active sampling approach. The introduced frugal sampling strategies have the potential to reduce high field strength requirements that in turn strengthen the viability of MRI-based POC disease identification and associated preliminary screening tools.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google