Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with GRAPPA Integrated Multi-loss Supervised GAN

要約

目的: パラレル イメージングは​​、受信コイルのアレイを使用して追加の感度情報を取得することにより、磁気共鳴画像 (MRI) データの取得を加速し、位相エンコード ステップを削減します。
圧縮センシング磁気共鳴イメージング (CS-MRI) は、並列イメージングよりもデータ要件が少ないため、医療イメージングの分野で人気を博しています。
パラレル イメージングと圧縮センシング (CS) はどちらも、k 空間でキャプチャされるデータの量を最小限に抑えることで、従来の MRI 取得を高速化します。
取得時間はサンプル数に反比例するため、縮小された k 空間サンプルからの画像の逆形成は取得を高速化しますが、エイリアシング アーティファクトが発生します。
この論文では、再構築された画像をデエイリアシングするためのマルチモーダル損失で監視された、新しい敵対的生成ネットワーク（GAN）、つまりRECGAN-GRを提案します。
方法：既存のGANネットワークとは対照的に、提案された方法は、重み付けされた大きさと位相損失関数を含むデュアルドメイン損失関数と、並列イメージングベースの損失、つまりGRAPPA一貫性損失を統合したRemU-Netという新しいジェネレーターネットワークを導入します損失。
k空間補正ブロックは、再構成プロセスの収束を高速化する不要なデータの生成に対してGANネットワークを自己耐性にするための改良学習として提案されています。
結果: 包括的な結果は、提案された RECGAN-GR が、GAN ベースの方法の中で PSNR の 4 dB の改善を達成し、文献で利用可能な従来の最先端の CNN 方法の中で 2 dB の改善を達成することを示しています。
結論と意義: 提案された作業は、5 倍または 10 倍高速な取得につながる低保持データの画質の大幅な改善に貢献します。

要約(オリジナル)

Objective: Parallel imaging accelerates the acquisition of magnetic resonance imaging (MRI) data by acquiring additional sensitivity information with an array of receiver coils resulting in reduced phase encoding steps. Compressed sensing magnetic resonance imaging (CS-MRI) has achieved popularity in the field of medical imaging because of its less data requirement than parallel imaging. Parallel imaging and compressed sensing (CS) both speed up traditional MRI acquisition by minimizing the amount of data captured in the k-space. As acquisition time is inversely proportional to the number of samples, the inverse formation of an image from reduced k-space samples leads to faster acquisition but with aliasing artifacts. This paper proposes a novel Generative Adversarial Network (GAN) namely RECGAN-GR supervised with multi-modal losses for de-aliasing the reconstructed image. Methods: In contrast to existing GAN networks, our proposed method introduces a novel generator network namely RemU-Net integrated with dual-domain loss functions including weighted magnitude and phase loss functions along with parallel imaging-based loss i.e., GRAPPA consistency loss. A k-space correction block is proposed as refinement learning to make the GAN network self-resistant to generating unnecessary data which drives the convergence of the reconstruction process faster. Results: Comprehensive results show that the proposed RECGAN-GR achieves a 4 dB improvement in the PSNR among the GAN-based methods and a 2 dB improvement among conventional state-of-the-art CNN methods available in the literature. Conclusion and significance: The proposed work contributes to significant improvement in the image quality for low retained data leading to 5x or 10x faster acquisition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google