Fast MRI for All: Bridging Equity Gaps via Training without Raw Data Access

要約

物理主導のディープラーニング（PD-DL）アプローチは、高速磁気共鳴画像（MRI）スキャンの再構築の改善に人気があります。
PD-DLは、既存の臨床高速MRI技術よりも高い加速率を提供しますが、その使用は外部の専門MRIセンターに制限されています。
重要な課題は、複数の研究で指摘されている過小評価された病理または集団への一般化であり、ターゲット集団の微調整が改善を提案されています。
ただし、PD-DLトレーニングの現在のアプローチでは、生のKスペース測定にアクセスする必要があります。これは、通常、このようなデータアクセスのための研究契約がある専門のMRIセンターでのみ利用できます。
これは、商業的なMRIスキャナーが最終的な再構築された画像へのアクセスのみを提供する農村部やサービスの行き届いていない地域にとって特に問題です。
これらの課題に取り組むために、MRIスキャナーからエクスポートされた日常的な臨床再構築画像のみを使用して、高品質のPD-DLトレーニングのための並列イメージングフィデリティ（CUPID）を介して圧縮性にインスパイアされた監視されていない学習を提案します。
Cupidは、出力が適切に設計された摂動を通じて臨床並列イメージングの再構築と一致するようにしながら、圧縮性ベースのアプローチで出力品質を評価します。
私たちの結果は、Cupidが、圧縮センシング（CS）と拡散ベースの生成方法を上回りながらKスペースデータを必要とする確立されたPD-DLトレーニングと同様の品質を達成していることを示しています。
さらに、最小限のトレーニング負担を証明して、遡及的かつ前向きにサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブサブトレーニングのセットアップにおけるその有効性を実証します。
既存の戦略から根本的に逸脱するアプローチとして、Cupidは、この高価なイメージングモダリティに関連する不平等を減らすために、サービスを受けていない集団に高速MRIへの公平なアクセスを提供する機会を提示します。

要約(オリジナル)

Physics-driven deep learning (PD-DL) approaches have become popular for improved reconstruction of fast magnetic resonance imaging (MRI) scans. Though PD-DL offers higher acceleration rates than existing clinical fast MRI techniques, their use has been limited outside specialized MRI centers. A key challenge is generalization to underrepresented pathologies or populations, noted in multiple studies, with fine-tuning on target populations suggested for improvement. However, current approaches for PD-DL training require access to raw k-space measurements, which is typically only available at specialized MRI centers that have research agreements for such data access. This is especially an issue for rural and underserved areas, where commercial MRI scanners only provide access to a final reconstructed image. To tackle these challenges, we propose Compressibility-inspired Unsupervised Learning via Parallel Imaging Fidelity (CUPID) for high-quality PD-DL training using only routine clinical reconstructed images exported from an MRI scanner. CUPID evaluates output quality with a compressibility-based approach while ensuring that the output stays consistent with the clinical parallel imaging reconstruction through well-designed perturbations. Our results show CUPID achieves similar quality to established PD-DL training that requires k-space data while outperforming compressed sensing (CS) and diffusion-based generative methods. We further demonstrate its effectiveness in a zero-shot training setup for retrospectively and prospectively sub-sampled acquisitions, attesting to its minimal training burden. As an approach that radically deviates from existing strategies, CUPID presents an opportunity to provide equitable access to fast MRI for underserved populations in an attempt to reduce the inequalities associated with this expensive imaging modality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google