A Densely Interconnected Network for Deep Learning Accelerated MRI

要約

目的: 高密度に接続されたカスケード深層学習再構成フレームワークを通じて、MRI 再構成の加速を改善します。
材料と方法: カスケード深層学習再構成フレームワーク (ベースライン モデル) は、3 つのアーキテクチャ変更を適用することによって変更されました。カスケード入力と出力の間の入力レベルの密な接続、改善された深層学習サブネットワーク、および後続の入力と出力の間の長距離スキップ接続です。
深層学習ネットワーク。
アブレーション研究が実行され、4 倍および 8 倍の加速を組み合わせたエンドツーエンド スキームを使用して、NYU fastMRI 神経データセットで 5 つのモデル構成がトレーニングされました。
トレーニングされたモデルは、それぞれの構造類似性指数測定 (SSIM)、正規化平均二乗誤差 (NMSE)、およびピーク信号対雑音比 (PSNR) を比較することによって評価されました。
結果: 提案された高密度相互接続残差カスケード ネットワーク (DIRCN) は、提案された 3 つの修正をすべて利用して、SSIM の 4 倍と 8 倍の加速でそれぞれ 8% と 11% の改善を達成しました。
8 倍の加速において、このモデルはベースライン モデルと比較して NMSE の 23% 減少を達成しました。
アブレーション研究では、個々のアーキテクチャの変更はすべて、4 倍の加速に対して SSIM と NMSE をそれぞれ約 3% と 5% 削減することにより、この改善に貢献しました。
結論: 提案されたアーキテクチャの変更により、既存のカスケード フレームワークを簡単に調整して、結果として得られる再構築をさらに改善できます。

要約(オリジナル)

Objective: To improve accelerated MRI reconstruction through a densely connected cascading deep learning reconstruction framework. Materials and Methods: A cascading deep learning reconstruction framework (baseline model) was modified by applying three architectural modifications: Input-level dense connections between cascade inputs and outputs, an improved deep learning sub-network, and long-range skip-connections between subsequent deep learning networks. An ablation study was performed, where five model configurations were trained on the NYU fastMRI neuro dataset with an end-to-end scheme conjunct on four- and eight-fold acceleration. The trained models were evaluated by comparing their respective structural similarity index measure (SSIM), normalized mean square error (NMSE) and peak signal to noise ratio (PSNR). Results: The proposed densely interconnected residual cascading network (DIRCN), utilizing all three suggested modifications, achieved a SSIM improvement of 8% and 11% for four- and eight-fold acceleration, respectively. For eight-fold acceleration, the model achieved a 23% decrease in the NMSE when compared to the baseline model. In an ablation study, the individual architectural modifications all contributed to this improvement, by reducing the SSIM and NMSE with approximately 3% and 5% for four-fold acceleration, respectively. Conclusion: The proposed architectural modifications allow for simple adjustments on an already existing cascading framework to further improve the resulting reconstructions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google