Deep End-to-end Adaptive k-Space Sampling, Reconstruction, and Registration for Dynamic MRI

要約

動的MRIは、心機能評価、臓器運動追跡、放射線療法のガイダンスなど、さまざまな臨床用途を可能にします。
ただし、時間の制約や呼吸器や心臓の動きなどの生理学的運動のために、動的なKスペースデータを完全にサンプリングすることは、しばしば実行不可能です。
これには、再構築された画像の品質を低下させるアンダーサンプリングが必要です。
画質が低いと視覚化が妨げられるだけでなく、変形場の推定も損なわれます。これは、動的(移動)画像を静的参照画像に登録するために重要です。
この登録により、運動補正、治療計画、心臓イメージングやMRガイド放射線療法などの用途での定量分析などのタスクが可能になります。
アンダーサンプリングと動きによってもたらされる課題を克服するために、適応的な動的Kスペースサンプリング、再構築、登録を統合するエンドツーエンドのディープラーニング(DL)フレームワークを導入します。
私たちのアプローチは、DLベースの適応サンプリング戦略から始まり、特定のケースごとに最も関連性の高いデータをキャプチャする動的なKスペース取得を最適化します。
これに続いて、アンダーサンプリングされた移動データからの正確な変形フィールド推定のために最適化された画像を生成するDLベースの再構成モジュールが続きます。
最後に、登録モジュールは、再構築された動的画像を静的参照で整列させる変形場を推定します。
提案されたフレームワークは、これらのコンポーネントのプラグアンドプレイ統合を可能にする特定の再構築および登録モジュールとは無関係です。
フレームワーク全体は、監視された監視と監視なしの損失関数の組み合わせを使用して共同でトレーニングされ、すべてのコンポーネントのパフォーマンスを改善するためのエンドツーエンドの最適化を可能にします。
制御された実験とアブレーション研究を通じて、各コンポーネントを検証し、各選択がアンダーサンプリングされた動的データからの堅牢な運動推定に寄与することを示します。

要約(オリジナル)

Dynamic MRI enables a range of clinical applications, including cardiac function assessment, organ motion tracking, and radiotherapy guidance. However, fully sampling the dynamic k-space data is often infeasible due to time constraints and physiological motion such as respiratory and cardiac motion. This necessitates undersampling, which degrades the quality of reconstructed images. Poor image quality not only hinders visualization but also impairs the estimation of deformation fields, crucial for registering dynamic (moving) images to a static reference image. This registration enables tasks such as motion correction, treatment planning, and quantitative analysis in applications like cardiac imaging and MR-guided radiotherapy. To overcome the challenges posed by undersampling and motion, we introduce an end-to-end deep learning (DL) framework that integrates adaptive dynamic k-space sampling, reconstruction, and registration. Our approach begins with a DL-based adaptive sampling strategy, optimizing dynamic k-space acquisition to capture the most relevant data for each specific case. This is followed by a DL-based reconstruction module that produces images optimized for accurate deformation field estimation from the undersampled moving data. Finally, a registration module estimates the deformation fields aligning the reconstructed dynamic images with a static reference. The proposed framework is independent of specific reconstruction and registration modules allowing for plug-and-play integration of these components. The entire framework is jointly trained using a combination of supervised and unsupervised loss functions, enabling end-to-end optimization for improved performance across all components. Through controlled experiments and ablation studies, we validate each component, demonstrating that each choice contributes to robust motion estimation from undersampled dynamic data.

arxiv情報

著者 George Yiasemis,Jan-Jakob Sonke,Jonas Teuwen
発行日 2025-03-21 14:54:33+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, eess.IV, physics.med-ph パーマリンク