Deep Cardiac MRI Reconstruction with ADMM

要約

心臓磁気共鳴画像法は、心血管疾患を特定するための貴重な非侵襲的ツールです。
たとえば、シネ MRI は、心臓の機能と解剖学的構造を評価するためのベンチマーク モダリティです。
一方、マルチコントラスト (T1 および T2) マッピングは、心筋および間質の病状および異常を評価できる可能性があります。
ただし、自発的な息止めや不整脈が MRI の遅い撮像速度と組み合わさると、モーション アーチファクトが発生し、リアルタイム取得の画質が妨げられる可能性があります。
高速収集を実行するとダイナミック イメージングが容易になりますが、エイリアシングが誘発され、シネ MRI での再構成画像の品質が低下し、T1 および T2 マッピング推定が不正確になります。
この研究では、加速 MRI 再構成の関連研究に触発され、動的心臓イメージングのコンテキストで加速シネおよびマルチコントラスト再構成のための深層学習 (DL) ベースの方法を紹介します。
再構成問題を最小二乗正則化最適化タスクとして定式化し、半二次変数分割とニューラル ネットワークによる乗算器の交互方向法を組み込んだ、最先端の DL ベースの逆問題ソルバーである vSHARP を採用します。
この問題を 2 つの設定で扱います。
2D 再構成タスクと 2D 動的再構成タスクでは、それぞれ 2D および 3D 深層学習ネットワークが使用されます。
私たちの方法は画像と k 空間の両方のドメインで最適化するため、高い再構成忠実度が可能になります。
ターゲット データはデカルト等間隔スキームでアンダーサンプリングされますが、デカルト アンダーサンプリング スキームとシミュレートされた非デカルト アンダーサンプリング スキームの両方を使用してモデルをトレーニングし、目に見えないデータに対するモデルの一般化を強化します。
さらに、私たちのモデルはディープ ニューラル ネットワークを採用して、マルチコイル k 空間データの感度マップを学習および洗練します。
最後に、私たちの方法は、アンダーサンプリングされたシネ データとマルチコントラスト データの両方で共同トレーニングされます。

要約(オリジナル)

Cardiac magnetic resonance imaging is a valuable non-invasive tool for identifying cardiovascular diseases. For instance, Cine MRI is the benchmark modality for assessing the cardiac function and anatomy. On the other hand, multi-contrast (T1 and T2) mapping has the potential to assess pathologies and abnormalities in the myocardium and interstitium. However, voluntary breath-holding and often arrhythmia, in combination with MRI’s slow imaging speed, can lead to motion artifacts, hindering real-time acquisition image quality. Although performing accelerated acquisitions can facilitate dynamic imaging, it induces aliasing, causing low reconstructed image quality in Cine MRI and inaccurate T1 and T2 mapping estimation. In this work, inspired by related work in accelerated MRI reconstruction, we present a deep learning (DL)-based method for accelerated cine and multi-contrast reconstruction in the context of dynamic cardiac imaging. We formulate the reconstruction problem as a least squares regularized optimization task, and employ vSHARP, a state-of-the-art DL-based inverse problem solver, which incorporates half-quadratic variable splitting and the alternating direction method of multipliers with neural networks. We treat the problem in two setups; a 2D reconstruction and a 2D dynamic reconstruction task, and employ 2D and 3D deep learning networks, respectively. Our method optimizes in both the image and k-space domains, allowing for high reconstruction fidelity. Although the target data is undersampled with a Cartesian equispaced scheme, we train our model using both Cartesian and simulated non-Cartesian undersampling schemes to enhance generalization of the model to unseen data. Furthermore, our model adopts a deep neural network to learn and refine the sensitivity maps of multi-coil k-space data. Lastly, our method is jointly trained on both, undersampled cine and multi-contrast data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google