On the Foundation Model for Cardiac MRI Reconstruction

要約

近年、機械学習 (ML) ベースの再構成が広く研究され、心臓磁気共鳴 (CMR) イメージングに採用されています。
ML ベースの再構成では、大幅に高速化されたスキャンで臨床的に許容できる画質を実現できます。
ただし、ML ベースの再構成には、固定の加速率や画像コントラストに合わせて最適化されることが多いニューラル ネットワークをトレーニングするための大量のデータと計算時間が必要です。
実際には、イメージング パラメータは診断に最適になるように調整されることが多く、トレーニング データとは異なる場合があります。
これにより画質が低下する可能性があり、臨床上の要求を満たすには複数のトレーニングを受けたネットワークが必要になります。
この研究では、この問題に取り組むために、適応アンローリング、チャネルシフト、およびパターンとコントラストプロンプト UNet (PCP-UNet) を使用する基礎モデルを提案します。
特に、アンダーサンプリングされたデータは、加速率に応じて異なる数のアンロール反復を通過します。
チャネルシフトにより、再構築されたデータの品質が向上します。
PCP-UNet には、画像コントラストとサンプリング パターン プロンプトが装備されています。
In vivo CMR 実験は、画像コントラスト、加速率、および (アンダー) サンプリング パターンを組み合わせて使用​​して実行されました。
提案された基礎モデルは、幅広い CMR プロトコルの画質を大幅に向上させ、従来の ML ベースの方法を上回りました。

要約(オリジナル)

In recent years, machine learning (ML) based reconstruction has been widely investigated and employed in cardiac magnetic resonance (CMR) imaging. ML-based reconstructions can deliver clinically acceptable image quality under substantially accelerated scans. ML-based reconstruction, however, also requires substantial data and computational time to train the neural network, which is often optimized for a fixed acceleration rate or image contrast. In practice, imaging parameters are often tuned to best suit the diagnosis, which may differ from the training data. This can result in degraded image quality, and multiple trained networks are needed to fulfill the clinical demands. In this study, we propose a foundation model that uses adaptive unrolling, channel-shifting, and Pattern and Contrast-Prompt-UNet (PCP-UNet) to tackle the problem. In particular, the undersampled data goes through a different number of unrolled iterations according to its acceleration rate. Channel-shifting improves reconstructed data quality. The PCP-UNet is equipped with an image contrast and sampling pattern prompt. In vivo CMR experiments were performed using mixed combinations of image contrasts, acceleration rates, and (under)sampling patterns. The proposed foundation model has significantly improved image quality for a wide range of CMR protocols and outperforms the conventional ML-based method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google