異方性頭部MRIのためのサイクル整合型ゼロショットスループレーン超解像

科学分野:

• 医用画像処理
• 人工知能
• 画像処理

背景:

• 臨床磁気共鳴（MR）画像はしばしば異方性であり、平面内解像度よりもスループレーン解像度が低くなります。
• この異方性は、等方性解像度を必要とする処理パイプラインのパフォーマンスを妨げます。
• 深層学習ベースの超解像（SR）法は、高解像度（HR）画像に現実的でない「幻覚」を生成するリスクがあります。

研究 の 目的:

• 低解像度の観測とのサイクル整合性を保証する異方性MR画像のための超解像法を開発すること。
• オリジナルのデータへの忠実性を保証することにより、深層学習ベースのSRにおける幻覚に関する懸念に対処すること。
• 2D MR取得の文脈で、ノイズ除去拡散ヌル空間モデル（DDNM）に特定の線形フォワードマップを構築して適用すること。

主な方法:

• 2D MR取得におけるフォワード問題を分析し、適切な線形マップ（$A$）を定義しました。
• マルチデータセットT₁強調（T₁-w）頭部MR画像でノイズ除去拡散確率モデルをトレーニングしました。
• MR画像超解像タスクのために、導出された線形マップ$A$を使用してDDNMを実装しました。

主要な成果:

• 開発されたDDNMアプローチは、正確なサイクル整合性とリアルな高解像度MR画像を正常に生成しました。
• この手法は、外部およびドメイン外のデータを含む、多様なT₁-w MRデータセット全体で優れた定性的および定量的パフォーマンスを示しました。
• 歪みと知覚の両方のメトリクスを使用して結果を評価し、SR技術の効果を確認しました。

結論:

• 調整されたフォワードマップを持つ提案されたDDNMフレームワークは、サイクル整合性を維持しながら異方性MR画像の解像度を効果的に向上させます。
• このアプローチは、幻覚のリスクを軽減しながら、臨床MRイメージングにおける超解像のための信頼できるソリューションを提供します。
• この手法は、異なるデータセットやイメージングサイト全体で強力な一般化を示しており、臨床的潜在能力を示唆しています。