A Conditional Normalizing Flow for Accelerated Multi-Coil MR Imaging

要約

加速磁気共鳴（MR）イメージングでは、ナイキストレート以下のデータを収集することで取得時間を短縮しようと試みている。逆問題として、多くの妥当な解が存在するが、大多数のディープラーニングアプローチは単一の解しか生成しない。我々はその代わりに、下流の推論タスクに対してより包括的な情報を提供する、事後分布からのサンプリングに焦点を当てます。このために、我々は、測定オペレータのヌルスペースの信号成分を推論する新しい条件付き正規化フロー（CNF）を設計し、それを後に測定データと組み合わせて完全な画像を形成する。FastMRIの脳と膝のデータを用いて、高速な推論と、最近のMRIの事後サンプリング技術を凌駕する精度を実証しています。コードは https://github.com/jwen307/mri_cnf/ で公開されています。

要約(オリジナル)

Accelerated magnetic resonance (MR) imaging attempts to reduce acquisition time by collecting data below the Nyquist rate. As an ill-posed inverse problem, many plausible solutions exist, yet the majority of deep learning approaches generate only a single solution. We instead focus on sampling from the posterior distribution, which provides more comprehensive information for downstream inference tasks. To do this, we design a novel conditional normalizing flow (CNF) that infers the signal component in the measurement operator’s nullspace, which is later combined with measured data to form complete images. Using fastMRI brain and knee data, we demonstrate fast inference and accuracy that surpasses recent posterior sampling techniques for MRI. Code is available at https://github.com/jwen307/mri_cnf/

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL