Generalized super-resolution 4D Flow MRI — using ensemble learning to extend across the cardiovascular system

要約

4D フロー磁気共鳴画像法 (4D フロー MRI) は、心血管系全体の血流を定量化できる非侵襲的な測定技術です。
実際の使用は空間解像度と画像ノイズによって制限されますが、トレーニングされた超解像度 (SR) ネットワークを組み込むことで、スキャン後の画質を向上できる可能性があります。
しかし、これらの取り組みは主に狭義の心血管領域に限定されており、SR のパフォーマンスが心血管系全体にどのように広がるかについての探究は限られています。
この課題は、心血管系全体に明らかな血行力学的状態の対照によって悪化します。
私たちの研究の目的は、異種トレーニング セットと専用のアンサンブル学習の組み合わせを使用して、SR 4D フロー MRI の一般化可能性を探ることでした。
3 つの異なるドメイン (心臓、大動脈、脳血管) にわたって生成された合成トレーニング データを使用して、さまざまな畳み込みベース学習器とアンサンブル学習器をドメインとアーキテクチャの関数として評価し、同じ 3 つのドメインから取得したインシリコ データと生体内データの両方のパフォーマンスを定量化しました。
ドメイン。
結果は、バギングとスタッキングアンサンブルの両方がドメイン全体の SR パフォーマンスを向上させ、低解像度の入力データから高解像度の速度をインシリコで正確に予測することを示しています。
同様に、最適化されたネットワークは、ダウンサンプリングされた生体内データからネイティブ解像度速度を正常に回復し、臨床レベルの入力データからノイズ除去された SR 画像を生成する定性的な可能性を示します。
結論として、私たちの研究は、アンサンブル学習により、関心のあるさまざまな臨床領域にわたって有用性を拡張する、一般化された SR 4D フロー MRI に対する実行可能なアプローチを示しています。

要約(オリジナル)

4D Flow Magnetic Resonance Imaging (4D Flow MRI) is a non-invasive measurement technique capable of quantifying blood flow across the cardiovascular system. While practical use is limited by spatial resolution and image noise, incorporation of trained super-resolution (SR) networks has potential to enhance image quality post-scan. However, these efforts have predominantly been restricted to narrowly defined cardiovascular domains, with limited exploration of how SR performance extends across the cardiovascular system; a task aggravated by contrasting hemodynamic conditions apparent across the cardiovasculature. The aim of our study was to explore the generalizability of SR 4D Flow MRI using a combination of heterogeneous training sets and dedicated ensemble learning. With synthetic training data generated across three disparate domains (cardiac, aortic, cerebrovascular), varying convolutional base and ensemble learners were evaluated as a function of domain and architecture, quantifying performance on both in-silico and acquired in-vivo data from the same three domains. Results show that both bagging and stacking ensembling enhance SR performance across domains, accurately predicting high-resolution velocities from low-resolution input data in-silico. Likewise, optimized networks successfully recover native resolution velocities from downsampled in-vivo data, as well as show qualitative potential in generating denoised SR-images from clinical level input data. In conclusion, our work presents a viable approach for generalized SR 4D Flow MRI, with ensemble learning extending utility across various clinical areas of interest.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google