A scan-specific unsupervised method for parallel MRI reconstruction via implicit neural representation

要約

パラレル イメージングは​​、磁気共鳴画像法 (MRI) を高速化するために広く使用されている手法です。
ただし、現在の方法は、非常にアンダーサンプリングされた k 空間データからアーティファクトのない MRI 画像を再構築する際のパフォーマンスがまだ不十分です。
最近、暗黙的ニューラル表現 (INR) が、オブジェクトの内部連続性を学習するための新しいディープ ラーニング パラダイムとして登場しました。
この研究では、並列 MRI 再構成に INR を採用しました。
MRI 画像は、空間座標の連続関数としてモデル化されました。
この関数は、ニューラル ネットワークによってパラメーター化され、完全にサンプリングされた高品質のトレーニング データを追加することなく、測定された k 空間自体から直接学習されました。
提案された方法は、INR によって提供される強力な連続表現の恩恵を受けて、特に加速率が高く、自動キャリブレーション信号のサイズが小さい場合に、エイリアシング アーティファクトとノイズを抑制することにより、既存の方法よりも優れています。
高品質の結果とスキャンの特異性により、提案された方法は、パラレル MRI のデータ取得をさらに加速する可能性を秘めています。

要約(オリジナル)

Parallel imaging is a widely-used technique to accelerate magnetic resonance imaging (MRI). However, current methods still perform poorly in reconstructing artifact-free MRI images from highly undersampled k-space data. Recently, implicit neural representation (INR) has emerged as a new deep learning paradigm for learning the internal continuity of an object. In this study, we adopted INR to parallel MRI reconstruction. The MRI image was modeled as a continuous function of spatial coordinates. This function was parameterized by a neural network and learned directly from the measured k-space itself without additional fully sampled high-quality training data. Benefitting from the powerful continuous representations provided by INR, the proposed method outperforms existing methods by suppressing the aliasing artifacts and noise, especially at higher acceleration rates and smaller sizes of the auto-calibration signals. The high-quality results and scanning specificity make the proposed method hold the potential for further accelerating the data acquisition of parallel MRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google