A Trust-Guided Approach to MR Image Reconstruction with Side Information

要約

MRI スキャン時間を短縮すると、患者ケアが改善され、医療費が削減されます。
多くの高速化手法は、取得された $\textit{k}$-space データの限られたセットから診断品質の画像を再構成するように設計されています。
このタスクは、線形逆問題 (LIP) として組み立てることができます。アンダーサンプリングの結果、フォワード演算子がランク不足になったり、小さな特異値を示したりする可能性があります。
この結果、再構成に曖昧さが生じ、複数の一般に不正確な画像または非診断画像が同じ取得データにマッピングされる可能性があります。
このような曖昧さに対処するには、たとえば正則化の形で事前知識を組み込むことが重要です。
医療画像処理ではあまり一般的ではない別の形式の事前知識は、現在の取得情報以外の情報源から収集されたコンテキストに関する副次的な情報です。
ここでは、新しい $\textbf{T}$rust-$\textbf{G}$uided $\textbf{V}$ariational $\textbf{N}$etwork $\textbf{(TGVN)}$ を提案します。
サイド情報を LIP に効果的に統合するエンドツーエンドの深層学習フレームワーク。
TGVN は、取得したデータを忠実に保ちながら、フォワード オペレーターのあいまいな空間から望ましくない解を排除します。
我々は、マルチコイル、マルチコントラストのMR画像再構成におけるその有効性を実証します。この場合、1つのコントラストからの不完全または低品質の測定値がサイド情報として使用され、大幅にアンダーサンプリングされたデータから別のコントラストの高品質画像を再構成します。
私たちの方法は、さまざまなコントラスト、解剖学的構造、フィールドの強さに対して堅牢です。
サイド情報も利用するベースラインと比較して、TGVN は困難なアンダーサンプリング レベルでも優れた画質を実現し、幻覚を最小限に抑えながら取得を大幅に高速化します。
私たちのアプローチは、さまざまなタイプの副次情報 (以前のスキャンやテキストさえも含む) を LIP に組み込むのに十分な多用途性も備えています。

要約(オリジナル)

Reducing MRI scan times can improve patient care and lower healthcare costs. Many acceleration methods are designed to reconstruct diagnostic-quality images from limited sets of acquired $\textit{k}$-space data. This task can be framed as a linear inverse problem (LIP), where, as a result of undersampling, the forward operator may become rank-deficient or exhibit small singular values. This results in ambiguities in reconstruction, in which multiple generally incorrect or non-diagnostic images can map to the same acquired data. To address such ambiguities, it is crucial to incorporate prior knowledge, for example in the form of regularization. Another form of prior knowledge less commonly used in medical imaging is contextual side information garnered from other sources than the current acquisition. Here, we propose the $\textbf{T}$rust-$\textbf{G}$uided $\textbf{V}$ariational $\textbf{N}$etwork $\textbf{(TGVN)}$, a novel end-to-end deep learning framework that effectively integrates side information into LIPs. TGVN eliminates undesirable solutions from the ambiguous space of the forward operator while remaining faithful to the acquired data. We demonstrate its effectiveness in multi-coil, multi-contrast MR image reconstruction, where incomplete or low-quality measurements from one contrast are used as side information to reconstruct high-quality images of another contrast from heavily under-sampled data. Our method is robust across different contrasts, anatomies, and field strengths. Compared to baselines that also utilize side information, TGVN achieves superior image quality at challenging under-sampling levels, drastically speeding up acquisition while minimizing hallucinations. Our approach is also versatile enough to incorporate many different types of side information (including previous scans or even text) into any LIP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google