Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction

要約

磁気共鳴画像法 (MRI) は臨床現場で広く使用されていますが、取得時間が長くなるという問題がありました。
深層学習手法は、取得を加速し、有望なパフォーマンスを実証するために提案されていますが、教師ありのトレーニングでは高品質の完全にサンプリングされたデータセットに依存しています。
ただし、このようなデータセットは収集に時間がかかり、費用がかかるため、より広範な用途が制限されます。
一方、自己教師あり手法は、アンダーサンプリングされたデータのみからの学習を可能にする代替手段を提供しますが、既存の手法のほとんどは、トレーニング用のモデルの入力としてさらに分割されたアンダーサンプリングされた k 空間データに依存しているため、貴重な情報が失われます。
。
さらに、彼らのモデルには事前画像が完全に組み込まれていないため、再構成パフォーマンスが低下します。
この論文では、アンダーサンプリングされたデータセットしか利用できない場合にこれらの問題に対処するために、新しい再可視デュアルドメイン自己教師型ディープアンフォールディングネットワークを提案します。
具体的には、再表示可能なデュアルドメイン損失を組み込むことで、アンダーサンプリングされたすべての k 空間データがトレーニング中に利用され、さらなる分割によって引き起こされる情報損失が軽減されます。
この設計により、モデルは入力としてアンダーサンプリングされたすべての k 空間データに暗黙的に適応できます。
さらに、Chambolle and Pock Proximal Point Algorithm (DUN-CP-PPA) に基づいてディープ アンフォールディング ネットワークを設計し、再構成プロセスをガイドするイメージング物理学と画像事前分布を組み込み、エンドツーエンドの再構成を実現します。
空間周波数特徴抽出 (SFFE) ブロックを採用してグローバルおよびローカルの特徴表現をキャプチャすることで、包括的な画像事前分布を学習するモデルの効率が向上します。
fastMRI および IXI データセットに対して行われた実験は、私たちの方法が再構成パフォーマンスの点で最先端のアプローチを大幅に上回ることを示しています。

要約(オリジナル)

Magnetic Resonance Imaging (MRI) is widely used in clinical practice, but suffered from prolonged acquisition time. Although deep learning methods have been proposed to accelerate acquisition and demonstrate promising performance, they rely on high-quality fully-sampled datasets for training in a supervised manner. However, such datasets are time-consuming and expensive-to-collect, which constrains their broader applications. On the other hand, self-supervised methods offer an alternative by enabling learning from under-sampled data alone, but most existing methods rely on further partitioned under-sampled k-space data as model’s input for training, resulting in a loss of valuable information. Additionally, their models have not fully incorporated image priors, leading to degraded reconstruction performance. In this paper, we propose a novel re-visible dual-domain self-supervised deep unfolding network to address these issues when only under-sampled datasets are available. Specifically, by incorporating re-visible dual-domain loss, all under-sampled k-space data are utilized during training to mitigate information loss caused by further partitioning. This design enables the model to implicitly adapt to all under-sampled k-space data as input. Additionally, we design a deep unfolding network based on Chambolle and Pock Proximal Point Algorithm (DUN-CP-PPA) to achieve end-to-end reconstruction, incorporating imaging physics and image priors to guide the reconstruction process. By employing a Spatial-Frequency Feature Extraction (SFFE) block to capture global and local feature representation, we enhance the model’s efficiency to learn comprehensive image priors. Experiments conducted on the fastMRI and IXI datasets demonstrate that our method significantly outperforms state-of-the-art approaches in terms of reconstruction performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google