Attention Hybrid Variational Net for Accelerated MRI Reconstruction

要約

磁気共鳴画像法 (MRI) を加速するための圧縮センシング (CS) 対応データ再構成の適用は、依然として困難な問題です。
これは、加速マスクから k 空間で情報が失われるため、完全にサンプリングされた画像と同様の品質の画像を再構成することが困難になるという事実によるものです。
CS を使用した MRI 再構成には、k 空間領域と画像領域の両方で、またアンロールされた最適化手法を使用した複数の深層学習ベースの構造が提案されています。
ただし、これらの構造の欠点は、両方のドメイン (k 空間と画像) からの情報を十分に活用していないことです。
ここでは、k空間と画像領域の両方で学習を実行する、深層学習ベースのアテンションハイブリッド変分ネットワークを提案します。
私たちは、よく知られているオープンソースの MRI データセットと、私たちの施設で脳卒中と診断された患者の臨床 MRI データセットに基づいてメソッドを評価し、ネットワークのパフォーマンスを実証します。
定量的評価に加えて、サブスペシャリティの訓練を受けた放射線科医が実施した、ネットワーク間の画質の盲検比較も実施しました。
全体として、私たちのネットワークは複数の再構築タスクの下で他のネットワークの中でも優れたパフォーマンスを達成することを示しています。

要約(オリジナル)

The application of compressed sensing (CS)-enabled data reconstruction for accelerating magnetic resonance imaging (MRI) remains a challenging problem. This is due to the fact that the information lost in k-space from the acceleration mask makes it difficult to reconstruct an image similar to the quality of a fully sampled image. Multiple deep learning-based structures have been proposed for MRI reconstruction using CS, both in the k-space and image domains as well as using unrolled optimization methods. However, the drawback of these structures is that they are not fully utilizing the information from both domains (k-space and image). Herein, we propose a deep learning-based attention hybrid variational network that performs learning in both the k-space and image domain. We evaluate our method on a well-known open-source MRI dataset and a clinical MRI dataset of patients diagnosed with strokes from our institution to demonstrate the performance of our network. In addition to quantitative evaluation, we undertook a blinded comparison of image quality across networks performed by a subspecialty trained radiologist. Overall, we demonstrate that our network achieves a superior performance among others under multiple reconstruction tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google