Adaptive Sampling of k-Space in Magnetic Resonance for Rapid Pathology Prediction

要約

磁気共鳴（MR）イメージングは​​、その診断上の有用性が証明されているにもかかわらず、依然として人口レベルでの疾患監視にはアクセスできないイメージング手段です。
MR を利用できない主な要因は、スキャン時間が長いことです。
MR スキャナは、k 空間としても知られるフーリエ空間内の基礎となる解剖学的構造に関連する測定値を収集します。
高忠実度の画像を作成するには、そのような測定値を大量に収集する必要があり、スキャン時間が長くなります。
従来、MR スキャンを高速化するには、アンダーサンプリングされた k 空間データからの画像再構成が選択される方法でした。
しかし、最近の研究では、画像再構成をバイパスし、k空間測定値のまばらに学習されたサブセットから疾患を直接検出することを直接学習する実現可能性を示しています。
この研究では、標的疾患の検出を最適化するためにk空間サンプルを順次選択する適応ポリシーを学習するサンプリング手法であるAdaptive Sampling for MR (ASMR)を提案します。
膝、脳、および前立腺の MR スキャンにわたる 8 つの病理分類タスクのうち 6 つで、ASMR は、k 空間の 8% のみを使用しながら、完全にサンプリングされた分類器のパフォーマンスの 2% 以内に達し、以前の状態を上回るパフォーマンスを示しました。
EMRT、LOUPE、DPS などの k 空間サンプリングの最先端の作品。

要約(オリジナル)

Magnetic Resonance (MR) imaging, despite its proven diagnostic utility, remains an inaccessible imaging modality for disease surveillance at the population level. A major factor rendering MR inaccessible is lengthy scan times. An MR scanner collects measurements associated with the underlying anatomy in the Fourier space, also known as the k-space. Creating a high-fidelity image requires collecting large quantities of such measurements, increasing the scan time. Traditionally to accelerate an MR scan, image reconstruction from under-sampled k-space data is the method of choice. However, recent works show the feasibility of bypassing image reconstruction and directly learning to detect disease directly from a sparser learned subset of the k-space measurements. In this work, we propose Adaptive Sampling for MR (ASMR), a sampling method that learns an adaptive policy to sequentially select k-space samples to optimize for target disease detection. On 6 out of 8 pathology classification tasks spanning the Knee, Brain, and Prostate MR scans, ASMR reaches within 2% of the performance of a fully sampled classifier while using only 8% of the k-space, as well as outperforming prior state-of-the-art work in k-space sampling such as EMRT, LOUPE, and DPS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google