Stable deep MRI reconstruction using Generative Priors

要約

データ駆動型アプローチは、最近、医用画像再構成で目覚ましい成功を収めましたが、一般化可能性と解釈可能性が不足しているため、臨床ルーチンへの統合は依然として困難です。
既存のアプローチでは通常、トレーニングのために高品質のデータと画像のペアが必要ですが、そのようなデータはどのイメージング プロトコルでも簡単に利用できず、プロトコルにわずかな変更が加えられただけでも、再構成の品質はすぐに低下する可能性があります。
さらに、データ駆動型の方法は、臨床医の意思決定に影響を与える人工的な特徴を作成する可能性があります。
臨床医が再建に伴う不確実性を認識していない場合、これは容認できません。
このホワイト ペーパーでは、これらの課題に、生成画像の事前確率に基づく統一されたフレームワークで対処します。
データと画像のペアを必要とせずに、参照画像の教師なし設定でトレーニングされる、新しいディープ ニューラル ネットワーク ベースの正則化器を提案します。
トレーニング後、レギュラライザーは、任意の取得プロトコルと組み合わせて古典的な変分アプローチの一部として使用でき、テスト データがトレーニング データから大きく逸脱している場合でも安定した動作を示します。
さらに、確率論的解釈は再構成の分布を提供するため、不確実性の定量化が可能になります。
取得プロトコルの柔軟性を維持し、不確実性の定量化を可能にしながら、結果が SotA エンドツーエンドのディープラーニング手法と競合するパフォーマンスを示す、並列磁気共鳴イメージングに関するアプローチを示します。

要約(オリジナル)

Data-driven approaches recently achieved remarkable success in medical image reconstruction, but integration into clinical routine remains challenging due to a lack of generalizability and interpretability. Existing approaches usually require high-quality data-image pairs for training, but such data is not easily available for any imaging protocol and the reconstruction quality can quickly degrade even if only minor changes are made to the protocol. In addition, data-driven methods may create artificial features that can influence the clinicians decision-making. This is unacceptable if the clinician is unaware of the uncertainty associated with the reconstruction. In this paper, we address these challenges in a unified framework based on generative image priors. We propose a novel deep neural network based regularizer which is trained in an unsupervised setting on reference images without requiring any data-image pairs. After training, the regularizer can be used as part of a classical variational approach in combination with any acquisition protocols and shows stable behavior even if the test data deviates significantly from the training data. Furthermore, our probabilistic interpretation provides a distribution of reconstructions and hence allows uncertainty quantification. We demonstrate our approach on parallel magnetic resonance imaging, where results show competitive performance with SotA end-to-end deep learning methods, while preserving the flexibility of the acquisition protocol and allowing for uncertainty quantification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google