A Faithful Deep Sensitivity Estimation for Accelerated Magnetic Resonance Imaging

要約

磁気共鳴画像法 (MRI) は不可欠な診断ツールですが、スキャン時間が長くなるという問題があります。
この制限を軽減するために、高度な高速 MRI 技術が広範な研究の関心を集めています。
最近の深層学習は、画質と再構成速度の向上において大きな可能性を示しています。
MRI 再構成には、正確なコイル感度推定が不可欠です。
しかし、ほとんどの深層学習手法は依然として事前に推定された感度マップに依存しており、その不正確さを無視しているため、再構成された画像の品質が大幅に低下します。
この研究では、JDSI と呼ばれる共同深度感度推定および画像再構成ネットワークを提案します。
画像アーティファクトの除去中に、高周波情報を含むより忠実な感度マップが徐々に提供され、画像の再構成が向上します。
ネットワークの動作を理解するために、ネットワークの中間結果を視覚化することで、感度推定と画像再構成の相互促進が明らかになります。
in vivo データセットと放射線科医の読者研究の結果は、提案された JDSI が、特に加速係数が高い場合に、キャリブレーションベースの再構成とキャリブレーションなしの再構成の両方で、視覚的かつ定量的に最先端のパフォーマンスを達成することを示しています。
さらに、JDSI は患者および自動校正信号に対する優れた堅牢性を備えています。

要約(オリジナル)

Magnetic resonance imaging (MRI) is an essential diagnostic tool that suffers from prolonged scan time. To alleviate this limitation, advanced fast MRI technology attracts extensive research interests. Recent deep learning has shown its great potential in improving image quality and reconstruction speed. Faithful coil sensitivity estimation is vital for MRI reconstruction. However, most deep learning methods still rely on pre-estimated sensitivity maps and ignore their inaccuracy, resulting in the significant quality degradation of reconstructed images. In this work, we propose a Joint Deep Sensitivity estimation and Image reconstruction network, called JDSI. During the image artifacts removal, it gradually provides more faithful sensitivity maps with high-frequency information, leading to improved image reconstructions. To understand the behavior of the network, the mutual promotion of sensitivity estimation and image reconstruction is revealed through the visualization of network intermediate results. Results on in vivo datasets and radiologist reader study demonstrate that, for both calibration-based and calibrationless reconstruction, the proposed JDSI achieves the state-of-the-art performance visually and quantitatively, especially when the acceleration factor is high. Additionally, JDSI owns nice robustness to patients and autocalibration signals.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google