Physics-informed deep diffusion MRI reconstruction: break the bottleneck of training data in artificial intelligence

要約

この作業では、物理情報に基づいた深層拡散磁気共鳴画像 (DWI) 再構成法 (PIDD) を提案します。
PIDD には、マルチショット DWI データ合成とディープ ラーニング再構成ネットワークの 2 つの主要コンポーネントが含まれています。
データ合成では、最初にマルチショット データ取得中のモーションを数学的に分析し、単純化された物理モーション モデルによってアプローチします。
運動モデルは、運動誘起位相合成の多項式モデルに影響を与えます。
次に、多数の合成フェーズをいくつかの実際のデータと組み合わせて、大量のトレーニング データを生成します。
再構成ネットワークの場合、各ショット画像フェーズの滑らかさのプロパティを、k 空間の学習可能な畳み込みカーネルと画像ドメインの相補スパース性として利用します。
合成データと in vivo 脳データの両方の結果は、合成データでトレーニングされた提案された PIDD が、異なる b 値とアンダーサンプリング パターンを使用した 1 秒未満の超高速、高品質、および堅牢な再構成を可能にすることを示しています。

要約(オリジナル)

In this work, we propose a Physics-Informed Deep Diffusion magnetic resonance imaging (DWI) reconstruction method (PIDD). PIDD contains two main components: The multi-shot DWI data synthesis and a deep learning reconstruction network. For data synthesis, we first mathematically analyze the motion during the multi-shot data acquisition and approach it by a simplified physical motion model. The motion model inspires a polynomial model for motion-induced phase synthesis. Then, lots of synthetic phases are combined with a few real data to generate a large amount of training data. For reconstruction network, we exploit the smoothness property of each shot image phase as learnable convolution kernels in the k-space and complementary sparsity in the image domain. Results on both synthetic and in vivo brain data show that, the proposed PIDD trained on synthetic data enables sub-second ultra-fast, high-quality, and robust reconstruction with different b-values and undersampling patterns.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google