On Retrospective k-space Subsampling schemes For Deep MRI Reconstruction

要約

目的: 完全にサンプリングされた MRI $k$ 空間データの取得には時間がかかりますが、高速化されたデータを収集すると、取得時間を短縮できます。
2D デカルト直線サブサンプリング スキームを採用することは、取得を高速化するための従来のアプローチです。
ただし、これは、特に加速係数が高い場合に、ディープラーニング (DL) を使用しても、不正確な再構成になることがよくあります。
非直線または非デカルト軌道は、代替のサブサンプリング オプションとして MRI スキャナーに実装できます。
この作業では、訓練された DL モデルによって生成された再構築された加速 MRI 測定の品質に対する $k$ 空間サブサンプリング スキームの影響を調査します。
方法: リカレント変分ネットワーク (RecurrentVarNet) は、DL ベースの MRI 再構成アーキテクチャとして使用されました。
3 つのデータセットからの完全にサンプリングされたデカルトのマルチコイル $k$ 空間測定値は、8 つの異なるサブサンプリング スキームを使用して、異なる加速度でさかのぼってサブサンプリングされました。
実験は 2 つのフレームワークで実施されました。スキーム固有のフレームワークでは、データセットとサブサンプリング スキームのペアごとに個別のモデルがトレーニングおよび評価されます。
すべてのスキームによってサブサンプリングされたデータで評価されます。
結果: 両方のフレームワークで、非直線的にサブサンプリングされたデータでトレーニングおよび評価された RecurrentVarNets は、特に高加速度で優れたパフォーマンスを示しました。
マルチスキーム設定では、スキーム固有の実験と比較して、直線的にサブサンプリングされたデータの再構成パフォーマンスが向上しました。
結論: 私たちの調査結果は、非直線的にサブサンプリングされた測定値でトレーニングされた DL ベースの方法を使用して、スキャン時間と画質を最適化する可能性を示しています。

要約(オリジナル)

Purpose: Acquiring fully-sampled MRI $k$-space data is time-consuming, and collecting accelerated data can reduce the acquisition time. Employing 2D Cartesian-rectilinear subsampling schemes is a conventional approach for accelerated acquisitions; however, this often results in imprecise reconstructions, even with the use of Deep Learning (DL), especially at high acceleration factors. Non-rectilinear or non-Cartesian trajectories can be implemented in MRI scanners as alternative subsampling options. This work investigates the impact of the $k$-space subsampling scheme on the quality of reconstructed accelerated MRI measurements produced by trained DL models. Methods: The Recurrent Variational Network (RecurrentVarNet) was used as the DL-based MRI-reconstruction architecture. Cartesian, fully-sampled multi-coil $k$-space measurements from three datasets were retrospectively subsampled with different accelerations using eight distinct subsampling schemes: four Cartesian-rectilinear, two Cartesian non-rectilinear, and two non-Cartesian. Experiments were conducted in two frameworks: scheme-specific, where a distinct model was trained and evaluated for each dataset-subsampling scheme pair, and multi-scheme, where for each dataset a single model was trained on data randomly subsampled by any of the eight schemes and evaluated on data subsampled by all schemes. Results: In both frameworks, RecurrentVarNets trained and evaluated on non-rectilinearly subsampled data demonstrated superior performance, particularly for high accelerations. In the multi-scheme setting, reconstruction performance on rectilinearly subsampled data improved when compared to the scheme-specific experiments. Conclusion: Our findings demonstrate the potential for using DL-based methods, trained on non-rectilinearly subsampled measurements, to optimize scan time and image quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google