NeRF Solves Undersampled MRI Reconstruction

要約

本稿では、Neural Radiance Field (NeRF)の概念を活用した新しいアンダーサンプリングMRI技術を紹介する。ラジアルアンダーサンプリングにより、対応する画像問題は、スパースビューレンダリングデータからの画像モデリングタスクに再定式化することができる。したがって、暗黙的神経表現を利用することにより、アンダーサンプリングされたk空間データから高次元MR画像を得ることができる。空間座標から画像強度を出力するように設計された多層パーセプトロンは、与えられた計測データと所望の画像との間のMR物理駆動レンダリング関係を学習する。高品質な神経表現のための効果的なアンダーサンプリング戦略を検討する。提案手法には2つの利点がある：(i)学習は、測定データと目標画像セットの束ではなく、アンダーサンプリングされた単一のk空間データに完全に基づく。これは、胎児MRIのような診断用MRイメージングにおいて、アンダーサンプリング再構成が強く要求される一方で、臨床画像の多様性に対してデータ収集が比較的稀であるか、または制限されている場合に利用できる可能性がある。(ii) 再構成されたMR画像は、与えられたk空間計測に高度に適応したスキャン固有の表現である。多くの実験により、提案手法の実現可能性と能力が検証されている。

要約(オリジナル)

This article presents a novel undersampled magnetic resonance imaging (MRI) technique that leverages the concept of Neural Radiance Field (NeRF). With radial undersampling, the corresponding imaging problem can be reformulated into an image modeling task from sparse-view rendered data; therefore, a high dimensional MR image is obtainable from undersampled k-space data by taking advantage of implicit neural representation. A multi-layer perceptron, which is designed to output an image intensity from a spatial coordinate, learns the MR physics-driven rendering relation between given measurement data and desired image. Effective undersampling strategies for high-quality neural representation are investigated. The proposed method serves two benefits: (i) The learning is based fully on single undersampled k-space data, not a bunch of measured data and target image sets. It can be used potentially for diagnostic MR imaging, such as fetal MRI, where data acquisition is relatively rare or limited against diversity of clinical images while undersampled reconstruction is highly demanded. (ii) A reconstructed MR image is a scan-specific representation highly adaptive to the given k-space measurement. Numerous experiments validate the feasibility and capability of the proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL