Regularization by Neural Style Transfer for MRI Field-Transfer Reconstruction with Limited Data

要約

MRI再構築における最近の進歩は、深い学習ベースのモデルを通じて顕著な成功を示しています。
ただし、ほとんどの既存の方法は、大規模でタスク固有のデータセットに大きく依存しているため、データ制限設定の再構築は重要でありながら採用されていない課題になります。
除去（赤）による正則化（赤）は、除去者を再建の前提条件として活用している間、神経スタイルの転送（NST）エンジンを型磁場転移の再構築に統合する新しいフレームワークであるニューラルスタイル転送（RNST）による正則化を提案します。
RNSTは、ペアのトレーニングデータを必要とせずに低フィールド入力から高フィールド品質の画像を生成し、限られたデータの設定に対処するためにスタイルのプライアーを活用します。
私たちの実験結果は、多様な解剖学的平面（軸、冠状、矢状）およびノイズレベルで高品質の画像を再構築するRNSTの能力を示しており、低いフィールドの参照と比較して優れた明瞭さ、コントラスト、および構造的忠実度を達成します。
重要なことに、RNSTは、スタイルとコンテンツの画像に正確なアラインメントがなく、正確な参照マッチが利用できない臨床環境での適用性を拡大しても、堅牢性を維持します。
NSTと除去の強度を組み合わせることにより、RNSTはMRIフィールド移動再構成のためのスケーラブルでデータ効率の高いソリューションを提供し、リソース制限設定の重要な可能性を示しています。

要約(オリジナル)

Recent advances in MRI reconstruction have demonstrated remarkable success through deep learning-based models. However, most existing methods rely heavily on large-scale, task-specific datasets, making reconstruction in data-limited settings a critical yet underexplored challenge. While regularization by denoising (RED) leverages denoisers as priors for reconstruction, we propose Regularization by Neural Style Transfer (RNST), a novel framework that integrates a neural style transfer (NST) engine with a denoiser to enable magnetic field-transfer reconstruction. RNST generates high-field-quality images from low-field inputs without requiring paired training data, leveraging style priors to address limited-data settings. Our experiment results demonstrate RNST’s ability to reconstruct high-quality images across diverse anatomical planes (axial, coronal, sagittal) and noise levels, achieving superior clarity, contrast, and structural fidelity compared to lower-field references. Crucially, RNST maintains robustness even when style and content images lack exact alignment, broadening its applicability in clinical environments where precise reference matches are unavailable. By combining the strengths of NST and denoising, RNST offers a scalable, data-efficient solution for MRI field-transfer reconstruction, demonstrating significant potential for resource-limited settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google