Joint MR sequence optimization beats pure neural network approaches for spin-echo MRI super-resolution

要約

現在のMRI超解像（SR）法は、ニューラルネットワーク（NN）の入力として、典型的な臨床シーケンスから得られた既存のコントラストのみを使用します。ターボスピンエコーシーケンス（TSE）では、シーケンスパラメータが実際の取得画像の解像度に強い影響を与え、その結果、NNの性能に大きな影響を与える可能性がある。我々は、SR-TSEのMRシーケンスとニューラルネットワークパラメータのエンドツーエンドの最適化を実行するための既知オペレータ学習アプローチを提案する。このMR物理学に基づいた学習方法は、プロトン密度（PD）およびT2強調TSEの高周波パルス列を共同で最適化し、その後、対応するPDwおよびT2w超解像TSE画像を予測する畳み込みニューラルネットワークを適用する。発見された高周波パルス列の設計は、NNがSRタスクを実行するために最適な信号を生成する。本手法は、シミュレーションに基づく最適化からin vivo測定に一般化され、物理情報に基づくSR画像は、純粋なネットワーク学習アプローチと比較して、時間のかかる分割高解像度TSEシーケンスと高い相関性を示す。

要約(オリジナル)

Current MRI super-resolution (SR) methods only use existing contrasts acquired from typical clinical sequences as input for the neural network (NN). In turbo spin echo sequences (TSE) the sequence parameters can have a strong influence on the actual resolution of the acquired image and have consequently a considera-ble impact on the performance of the NN. We propose a known-operator learning approach to perform an end-to-end optimization of MR sequence and neural net-work parameters for SR-TSE. This MR-physics-informed training procedure jointly optimizes the radiofrequency pulse train of a proton density- (PD-) and T2-weighted TSE and a subsequently applied convolutional neural network to predict the corresponding PDw and T2w super-resolution TSE images. The found radiofrequency pulse train designs generate an optimal signal for the NN to perform the SR task. Our method generalizes from the simulation-based optimi-zation to in vivo measurements and the acquired physics-informed SR images show higher correlation with a time-consuming segmented high-resolution TSE sequence compared to a pure network training approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL