A Projection-Based K-space Transformer Network for Undersampled Radial MRI Reconstruction with Limited Training Subjects

要約

圧縮センシングと組み合わせた深層学習の最近の開発により、アンダーサンプリングされたMR画像の高速再構成が可能になり、デカルトk空間軌道の最先端のパフォーマンスが達成されました。
ただし、動径軌跡などの非デカルト軌跡は、ネットワークトレーニングの各反復でデカルトグリッドに変換する必要があり、トレーニングプロセスが遅くなり、トレーニング中に不便と遅延が発生します。
ネットワークでの不均一なフーリエ変換の複数の反復は、高速推論の深層学習の利点を相殺します。
現在のアプローチは通常、画像間ネットワークで機能するか、ネットワークトレーニングの前に非デカルト軌道をグリッド化して、繰り返しのグリッド化プロセスを回避します。
ただし、画像間ネットワークでは、再構成された画像のk空間データの一貫性を保証できず、非デカルトk空間の前処理により、ネットワークトレーニングでは補正できないグリッドエラーが発生します。
シーケンス変換タスクの長距離依存関係を処理するためにTransformerネットワークに触発され、取得の時系列に基づいてラジアルスポークをシーケンシャルデータに再配置し、Transformerを使用して取得されたものから未取得のラジアルスポークを予測することを提案します。
限られた数の被験者から大量のトレーニングデータを生成するための新しいデータ拡張方法を提案します。
ネットワークは、さまざまな解剖学的構造に生成できます。
実験結果は、最先端のディープニューラルネットワークと比較して、提案されたフレームワークの優れたパフォーマンスを示しています。

要約(オリジナル)

The recent development of deep learning combined with compressed sensing enables fast reconstruction of undersampled MR images and has achieved state-of-the-art performance for Cartesian k-space trajectories. However, non-Cartesian trajectories such as the radial trajectory need to be transformed onto a Cartesian grid in each iteration of the network training, slowing down the training process and posing inconvenience and delay during training. Multiple iterations of nonuniform Fourier transform in the networks offset the deep learning advantage of fast inference. Current approaches typically either work on image-to-image networks or grid the non-Cartesian trajectories before the network training to avoid the repeated gridding process. However, the image-to-image networks cannot ensure the k-space data consistency in the reconstructed images and the pre-processing of non-Cartesian k-space leads to gridding errors which cannot be compensated by the network training. Inspired by the Transformer network to handle long-range dependencies in sequence transduction tasks, we propose to rearrange the radial spokes to sequential data based on the chronological order of acquisition and use the Transformer to predict unacquired radial spokes from acquired ones. We propose novel data augmentation methods to generate a large amount of training data from a limited number of subjects. The network can be generated to different anatomical structures. Experimental results show superior performance of the proposed framework compared to state-of-the-art deep neural networks.

arxiv情報

著者 Chang Gao,Shu-Fu Shih,J. Paul Finn,Xiaodong Zhong
発行日 2022-07-25 17:10:23+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG, eess.IV パーマリンク