The R2D2 Deep Neural Network Series for Scalable Non-Cartesian Magnetic Resonance Imaging

要約

磁気共鳴イメージング（MRI）における高度に加速した非カテーシア語Kスペース取得から高速かつスケーラブルな画像再構築のために、R2D2ディープニューラルネットワーク（DNN）シリーズパラダイムを導入します。
展開されているDNNアーキテクチャは、データコンシンジェンシー層を介して堅牢な画像形成アプローチを提供しますが、DNNに不均一な高速フーリエ変換演算子を埋め込むことは、大規模なコイルを使用して2D MRIで、または高次元の想像力を備えた大規模でトレーニングするのに非実用的になります。
測定設定に盲目的に学んだ除去者をデータコンシンジェンシーステップで交互にするプラグアンドプレイアプローチは、この制限の影響を受けませんが、それらの非常に反復的な性質はゆっくりとした再構成を意味します。
このスケーラビリティチャレンジに対処するために、最近導入されたR2D2パラダイムを活用して、電波天文学の大規模なフーリエイメージングの超高速再構成を可能にします。
R2D2の再構成は、以前の反復データを入力として残留するDNNモジュールの出力として繰り返し推定される一連の残留画像として形成されます。
この方法は、一致する追求アルゴリズムの学習バージョンとして解釈できます。
一連のR2D2 DNNモジュールは、FastMRIデータセットで監視された方法で連続的にトレーニングされ、シミュレーションおよび実際のデータで2DマルチコイルMRIについて検証され、高度にサンプリングされていないラジアルKスペースサンプリングをターゲットにしました。
結果は、DNNSが少ないシリーズが、その展開された化身R2D2-NET（トレーニングもはるかにスケーラブルではない）よりも優れた再構成の品質を達成し、最先端の拡散ベースの「分解された拡散サンプラー」アプローチ（より遅い再構成プロセスを特徴とする）よりも達成することを示唆しています。

要約(オリジナル)

We introduce the R2D2 Deep Neural Network (DNN) series paradigm for fast and scalable image reconstruction from highly-accelerated non-Cartesian k-space acquisitions in Magnetic Resonance Imaging (MRI). While unrolled DNN architectures provide a robust image formation approach via data-consistency layers, embedding non-uniform fast Fourier transform operators in a DNN can become impractical to train at large scale, e.g in 2D MRI with a large number of coils, or for higher-dimensional imaging. Plug-and-play approaches that alternate a learned denoiser blind to the measurement setting with a data-consistency step are not affected by this limitation but their highly iterative nature implies slow reconstruction. To address this scalability challenge, we leverage the R2D2 paradigm that was recently introduced to enable ultra-fast reconstruction for large-scale Fourier imaging in radio astronomy. R2D2’s reconstruction is formed as a series of residual images iteratively estimated as outputs of DNN modules taking the previous iteration’s data residual as input. The method can be interpreted as a learned version of the Matching Pursuit algorithm. A series of R2D2 DNN modules were sequentially trained in a supervised manner on the fastMRI dataset and validated for 2D multi-coil MRI in simulation and on real data, targeting highly under-sampled radial k-space sampling. Results suggest that a series with only few DNNs achieves superior reconstruction quality over its unrolled incarnation R2D2-Net (whose training is also much less scalable), and over the state-of-the-art diffusion-based ‘Decomposed Diffusion Sampler’ approach (also characterised by a slower reconstruction process).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google