Meta-learning Slice-to-Volume Reconstruction in Fetal Brain MRI using Implicit Neural Representations

要約

複数の動き腐敗した低解像度2Dスライスからの高解像度スライスから容積再構成（SVR）は、胎児の脳磁気共鳴画像法（MRI）などの動く被験者の画像ベースの診断における重要なステップを構成します。
既存のソリューションは、画像アーティファクトと深刻な被験者の動きに苦労しているか、満足のいく再構成パフォーマンスを達成するためにスライスの事前調整を必要とします。
深刻な画像や動きの腐敗の場合でも、迅速かつ正確なMRI再構成を可能にする新しいSVR方法を提案します。
私たちのアプローチは、すべての操作が暗黙の神経表現に完全に基づいている動き補正、外れ値の取り扱い、および超解像度の再構築を実行します。
このモデルは、シミュレーションまたは実際のデータのいずれかで完全に自己監視されたメタ学習を通じて、タスク固有の事前に初期化できます。
さまざまなセンターからのシミュレーションおよび臨床MRI脳データの480以上の再構成を含む広範な実験では、重度の被験者の動きと画像アーティファクトの場合の方法の有用性を証明します。
我々の結果は、特に最新の方法と比較して、特に重度の動きの存在下で、再建時間の最大50％の短縮の再構築品質の改善を示しています。

要約(オリジナル)

High-resolution slice-to-volume reconstruction (SVR) from multiple motion-corrupted low-resolution 2D slices constitutes a critical step in image-based diagnostics of moving subjects, such as fetal brain Magnetic Resonance Imaging (MRI). Existing solutions struggle with image artifacts and severe subject motion or require slice pre-alignment to achieve satisfying reconstruction performance. We propose a novel SVR method to enable fast and accurate MRI reconstruction even in cases of severe image and motion corruption. Our approach performs motion correction, outlier handling, and super-resolution reconstruction with all operations being entirely based on implicit neural representations. The model can be initialized with task-specific priors through fully self-supervised meta-learning on either simulated or real-world data. In extensive experiments including over 480 reconstructions of simulated and clinical MRI brain data from different centers, we prove the utility of our method in cases of severe subject motion and image artifacts. Our results demonstrate improvements in reconstruction quality, especially in the presence of severe motion, compared to state-of-the-art methods, and up to 50% reduction in reconstruction time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google