On Retrospective k-space Subsampling schemes For Deep MRI Reconstruction

要約

タイトル：深層MRI再構成のための過去のk空間サブサンプリングスキームについての検討

要約：

– MRIの完全サンプリングには時間がかかるため、加速させたデータを収集する方法がある。
– 2Dカルテシアン矩形サブサンプリングスキームは従来の加速取得方法だが、高い加速度では再構成が不正確になることがある。
– MRIスキャナーには非直交的な軌跡を使ったサブサンプリングも可能である。
– この研究では、トレーニングされたDLモデルによって生成された加速MRI測定の再構成品質に対する$k$-spaceサブサンプリングスキームの影響を調査した。
– RecurrentVarNetは、DLに基づくMRI再構成アーキテクチャの一つである。
– 三つのデータセットからカルテシアン、完全サンプリングされた多コイル$k$-space測定を過去にサブサンプリングして、八つの異なるサブサンプリングスキームを使用して再構成を実行した。
– 異なるスキームにおいて、あるモデルが訓練され、データセット-サブサンプリングスキームの組ごとに評価されるscheme-specificと、各データセットに対して、どのような手順でも選択されたデータを使用して一つのモデルが訓練され、全てのスキームによってサブサンプリングされたデータに評価されたmulti-schemeの二つのフレームワークで実験を行った。
– 非直交的にサブサンプリングされたデータでトレーニングされ、評価されたRecurrentVarNetsは、特に高い加速度において優れた性能を発揮した。
– multi-schemeの場合、スキーム固有の実験と比較して、直交的にサブサンプリングされたデータの再構成性能が向上した。
– 非直交的な軌跡を使用した測定データに基づくDLベースの手法は、スキャン時間と画像品質を最適化するために潜在的な可能性があるという結論が得られた。

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, OpenAI