MRI再構成のための再可視化デュアルドメイン自己教師あり深層展開ネットワーク

科学分野:

• 医用画像処理
• 人工知能
• 深層学習

背景:

• 磁気共鳴画像法（MRI）の取得は時間がかかり、臨床的有用性を制限します。
• 既存の深層学習による高速化手法は、教師あり学習のために広範な完全標本化データを必要とします。
• 自己教師あり手法は、入力分布シフトと画像事前情報の不十分な組み込みという課題に直面しています。

研究 の 目的:

• 未標本化データセットのみを使用した、加速MRI取得のための新しい自己教師あり深層展開ネットワークを開発すること。
• 現在の自己教師あり学習アプローチに固有の入力分布シフトの問題に対処すること。
• イメージング物理学と画像事前情報を効果的に統合することにより、MRI再構成性能を向上させること。

主な方法:

• 再可視化デュアルドメイン自己教師あり深層展開ネットワークを提案しました。
• トレーニング推論分布シフトを軽減するために、すべての未標本化k空間データを利用する再可視化デュアルドメイン損失を組み込みました。
• エンドツーエンドの再構成のために、空間周波数特徴抽出（SFFE）ブロックを備えたChambolleとPock Proximal Point Algorithm（DUN-CP-PPA）に基づく深層展開ネットワークを開発しました。

主要な成果:

• 提案手法は、利用可能なすべての未標本化k空間データを利用することにより、入力分布シフトを効果的に軽減します。
• SFFEブロックを介したイメージング物理学と包括的な画像事前情報の統合は、再構成性能を大幅に向上させます。
• シングルコイルおよびマルチコイルデータセットでの実験結果は、最先端の手法と比較して優れた再構成品質と汎化能力を示しています。

結論:

• 新しい自己教師あり深層展開ネットワークは、完全標本化データを必要とせずに、加速MRI取得のための有望なソリューションを提供します。
• 再可視化デュアルドメインアプローチとDUN-CP-PPAアーキテクチャは、以前の自己教師あり手法の制限を効果的に対処します。
• この手法は最先端のパフォーマンスを達成し、より効率的で広く適用可能なMRI技術への道を開きます。