End-to-end Adaptive Dynamic Subsampling and Reconstruction for Cardiac MRI

要約

ダイナミック MRI の高速化は、適応放射線治療などの臨床応用を強化し、患者の快適性を向上させるために不可欠です。
動的 MRI 再構成を高速化するための従来の深層学習 (DL) アプローチは、通常、すべての時相にわたって均一に適用される、事前定義またはランダムなサブサンプリング パターンに依存しています。
この標準的な手法では、時間的相関を活用する潜在的な利点が見落とされており、再構築の品質を最大化する可能性を秘めたケース固有のサブサンプリング最適化に必要な適応性が欠けています。
このギャップに対処するために、適応型動的 MRI サブサンプリングと再構成のための新しいエンドツーエンド フレームワークを提案します。
当社のパイプラインは、DL ベースの適応サンプラーを統合し、ケース固有の動的サブサンプリング パターンを生成し、最先端の 2D 動的再構成ネットワーク、すなわち vSHARP でエンドツーエンドでトレーニングされ、適応動的サブサンプリング データを効果的に再構築します。
動く画像。
私たちの方法は、動的なシネ心臓 MRI データを使用して評価され、そのパフォーマンスを、一般的なサブサンプリング軌道を採用する vSHARP モデルと、vSHARP 再構成とともにデータセット固有のサンプリング スキームを最適化するようにトレーニングされたパイプラインと比較します。
私たちの結果は、特に高加速において優れた再構成品質を示しています。

要約(オリジナル)

Accelerating dynamic MRI is essential for enhancing clinical applications, such as adaptive radiotherapy, and improving patient comfort. Traditional deep learning (DL) approaches for accelerated dynamic MRI reconstruction typically rely on predefined or random subsampling patterns, applied uniformly across all temporal phases. This standard practice overlooks the potential benefits of leveraging temporal correlations and lacks the adaptability required for case-specific subsampling optimization, which holds the potential for maximizing reconstruction quality. Addressing this gap, we present a novel end-to-end framework for adaptive dynamic MRI subsampling and reconstruction. Our pipeline integrates a DL-based adaptive sampler, generating case-specific dynamic subsampling patterns, trained end-to-end with a state-of-the-art 2D dynamic reconstruction network, namely vSHARP, which effectively reconstructs the adaptive dynamic subsampled data into a moving image. Our method is assessed using dynamic cine cardiac MRI data, comparing its performance against vSHARP models that employ common subsampling trajectories, and pipelines trained to optimize dataset-specific sampling schemes alongside vSHARP reconstruction. Our results indicate superior reconstruction quality, particularly at high accelerations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google