Motion-compensated MR CINE reconstruction with reconstruction-driven motion estimation

要約

心臓 CINE では、動き補償 MR 再構成 (MCMR) は、フレーム間の動き情報を組み込むことにより、高度にアンダーサンプリングされた収集に対処する効果的なアプローチです。
この研究では、MCMR 問題に対処するための新しい視点と、MCMR 分野に対するより統合された効率的なソリューションを提案します。
元の問題を 2 つのサブ最適化問題、つまり動き推定と再構成に分割する最先端 (SOTA) MCMR 手法とは対照的に、この問題を 1 つの最適化を含む 1 つのエンティティとして定式化します。
私たちのアプローチは、動き推定が最終的な目標である再構成によって直接駆動されるのではなく、標準的なモーション ワーピング損失 (モーション ワープされた画像とターゲット画像の間の類似性の測定) によってではないという点で独特です。
私たちは動き推定と再構成の目的を調整し、アーティファクトの影響を受ける動き推定、したがって誤差伝播する再構成の欠点を排除します。
さらに、正則化/滑らかさの損失項を適用せずに、重要な重み係数の調整を回避して、高品質の再構成と現実的な動きを実現できます。
我々は、2 つのデータセット、1) レトロスペクティブ研究用に社内で取得した 2D CINE データセット、および 2) 前向き研究用の公開 OCMR 心臓データセットでメソッドを評価します。
実施された実験は、提案された MCMR フレームワークが、最大 20 倍のイメージング加速でもアーチファクトのない動き推定と高品質の MR 画像を提供でき、すべての実験にわたって定性的および定量的評価の両方で SOTA 非 MCMR および MCMR 手法を上回るパフォーマンスを示していることを示しています。
コードは https://github.com/JZPeterPan/MCMR-Recon-Driven-Motion で入手できます。

要約(オリジナル)

In cardiac CINE, motion-compensated MR reconstruction (MCMR) is an effective approach to address highly undersampled acquisitions by incorporating motion information between frames. In this work, we propose a novel perspective for addressing the MCMR problem and a more integrated and efficient solution to the MCMR field. Contrary to state-of-the-art (SOTA) MCMR methods which break the original problem into two sub-optimization problems, i.e. motion estimation and reconstruction, we formulate this problem as a single entity with one single optimization. Our approach is unique in that the motion estimation is directly driven by the ultimate goal, reconstruction, but not by the canonical motion-warping loss (similarity measurement between motion-warped images and target images). We align the objectives of motion estimation and reconstruction, eliminating the drawbacks of artifacts-affected motion estimation and therefore error-propagated reconstruction. Further, we can deliver high-quality reconstruction and realistic motion without applying any regularization/smoothness loss terms, circumventing the non-trivial weighting factor tuning. We evaluate our method on two datasets: 1) an in-house acquired 2D CINE dataset for the retrospective study and 2) the public OCMR cardiac dataset for the prospective study. The conducted experiments indicate that the proposed MCMR framework can deliver artifact-free motion estimation and high-quality MR images even for imaging accelerations up to 20x, outperforming SOTA non-MCMR and MCMR methods in both qualitative and quantitative evaluation across all experiments. The code is available at https://github.com/JZPeterPan/MCMR-Recon-Driven-Motion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google