arXiv:2405.05564

Joint Edge Optimization Deep Unfolding Network for Accelerated MRI Reconstruction

Yue Cai, Yu Luo, Jie Ling, Shun Yao

제출 2024-05-09

원문 초록

Magnetic Resonance Imaging (MRI) is a widely used imaging technique, however it has the limitation of long scanning time. Though previous model-based and learning-based MRI reconstruction methods have shown promising performance, most of them have not fully utilized the edge prior of MR images, and there is still much room for improvement. In this paper, we build a joint edge optimization model that not only incorporates individual regularizers specific to both the MR image and the edges, but also enforces a co-regularizer to effectively establish a stronger correlation between them. Specifically, the edge information is defined through a non-edge probability map to guide the image reconstruction during the optimization process. Meanwhile, the regularizers pertaining to images and edges are incorporated into a deep unfolding network to automatically learn their respective inherent a-priori information.Numerical experiments, consisting of multi-coil and single-coil MRI data with different sampling schemes at a variety of sampling factors, demonstrate that the proposed method outperforms other compared methods.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.24468v1cs.CV공통 태그 Image Reconstruction, MRI Reconstruction

MIGA: 가속화된 3D 다중에코 MRI를 위한 암시적 진폭 모델링 기반 공유 기하학 가우시안 표현

MIGA:Shared-Geometry Gaussian Representation with Implicit Amplitude Modeling for Accelerated 3D Multi-Echo MRI

3차원(3D) 다중에코(multi-echo) MRI는 풍부한 해부학적 및 정량적 정보를 제공하지만, 반복적인 볼륨 인코딩으로 인해 획득 시간이 길어져 k-공간(k-space) 언더샘플링(undersampling)이 요구됩니다. 언더샘플링된 다중에코 데이터를 재구성하려면 에코에 따른 신호 변화를 보존하면서 공유된 해부학적 구조를 활용해야 합니다. 또한 전체 볼륨 모델링은 상당한 연산 및 메모리 부담을 초래합니다. 본 논문에서는 공유된 비등방성 가우시안 기하학, 좌표 조건부 다중 출력 진폭 네트워크, 명시적인 에코별 위상 변수로 구성된 스캔 맞춤형 프레임워크인 MIGA를 제안합니다. 가우시안 기하학은 여러 에코에 걸쳐 공통의 공간적 지지(spatial support)를 제공하고, 암시적(implicit) 네트워크는 공간적으로 구조화된 진폭 변화를 모델링하며, 위상 변수는 에코별 복소 신호 정보를 유지합니다. 모든 구성 요소는 획득된 다중 코일 k-공간만을 사용하여 공동으로 최적화(optimization)되며, 완전 샘플링된 학습(training) 데이터를 필요로 하지 않습니다. 실험 결과, MIGA는 다양한 영상화 작업 및 가속 계수 전반에서 비교 방법들을 일관되게 능가했으며, 언더샘플링이 강할수록 더 큰 향상을 보였습니다. 또한 MIGA는 평가된 전체 볼륨 다중에코 방법들 중에서 우수한 품질 대비 비용 균형을 달성했습니다. 이러한 결과는 가속화된 3D 다중에코 MRI 재구성을 위해 공유 가우시안 기하학과 암시적 에코 의존 진폭 모델링을 결합하는 것의 효과성을 뒷받침합니다.

arXiv:2607.20136v1physics.med-ph공통 태그 Image Reconstruction, MRI Reconstruction

PRIME-SVR: 태아 T2 매핑을 위한 물리 정보 기반 암시적 다중 에코 슬라이스-볼륨 재구성

PRIME-SVR: Physics-infoRmed Implicit Multi-Echo Slice-to-Volume Reconstruction for Fetal T2 mapping

슬라이스-볼륨 재구성(SVR)은 여러 방향으로 획득된 움직임으로 손상된 2D MRI 슬라이스 스택으로부터 고해상도(HR) 3D 태아 뇌 볼륨을 얻는 표준 방법이다. 기존 SVR 방법은 임상 범위의 에코 시간(TE)에 대해서만 최적화 및 검증되어, 비임상 TE에서의 사용을 제한하고, 다중 TE에 걸친 HR 재구성을 요구하는 태아 뇌 성숙의 프로토콜 및 센터 독립적 바이오마커인 정량적 T2 매핑과 호환되지 않게 한다. 우리는 다중 에코 MRI로부터의 공동 HR 재구성을 위한 최초의 암시적 신경 표현(INR) 프레임워크인 PRIME-SVR을 제안한다. 단일 완전 연결 네트워크는 공간 좌표에서 TE에 걸친 신호 강도로의 연속 함수를 모델링하고, 두 번째 네트워크는 슬라이스별 획득 열화를 추정한다. TE 간 일관성은 예상 T2 감쇠로부터의 편차에 페널티를 부과하는 Bloch 방정식 유도 정규화를 통해 강제되며, 열화된 스택에 대해 결합을 강화하는 적응적 가중치를 사용한다. 이 방법은 완전 자기지도(self-supervised) 방식이다. 우리는 두 센터, 두 벤더, 두 자기장 강도(1.5 T 및 0.55 T)에서 39건의 in vivo 태아 획득(13명의 대상자 x 3 TE)에 대해 PRIME-SVR을 검증한다. 최신 SVR과 비교하여 PRIME-SVR은 재구성 선명도를 47%, 해부학적 정확도를 30%, TE 간 구조적 일관성을 14% 향상시킨다. 이는 이전에 SVR로 접근할 수 없었던 후기 TE에서의 재구성을 가능하게 하여, 0.55 T에서 최초의 0.8 mm 등방성 T2 맵과 INR 기반 SVR에서 파생된 최초의 T2 맵을 산출한다. PRIME-SVR은 또한 다중 TE 재구성에 필요한 데이터를 줄여 정량 영상을 가속하며, 획득 시간을 15분에서 10분으로 단축하면서 백질 및 깊은 회백질에서 T2 정확도를 1.7% 이내로 유지하거나, 고품질 획득의 경우 5분으로 단축하면서 평균 T2 오차 2.3%를 달성한다.

arXiv:2607.20159v1cs.CV공통 태그 Image Reconstruction, MRI Reconstruction

SHFormer: 적응형 MRI 재구성을 위한 동적 스펙트럴 필터링 합성곱 신경망 및 고역통과 커널 생성 트랜스포머

SHFormer: Dynamic Spectral Filtering Convolutional Neural Network and High-pass Kernel Generation Transformer for Adaptive MRI Reconstruction

어텐션 메커니즘(AM)은 영상 작업에 필요한 핵심 정보를 선택적으로 집중하고, 원거리 픽셀 이웃 간의 관계를 포착하여 특징 표현을 계산한다. 가속 MRI 재구성은 AM의 이점을 받는데, 영상화 과정이 이미지 표현에 비국소적으로 영향을 미치는 푸리에 영역 측정을 포함하기 때문이다. 그러나 AM 기반 모델은 저주파 정보를 포착하는 데는 더 능숙하지만 고주파 표현에 대한 역량이 제한되어, 모델을 매끄러운 재구성에 제한한다. 또한 AM 기반 모델은 다중모달 MRI 데이터에 대해 모드별 재학습이 필요한데, 지식이 국소적 문맥 변화에 국한되어 이질적 도메인 간 전이 가능한 특징을 포착하기에 불충분할 수 있기 때문이다. 이러한 과제를 해결하기 위해, 우리는 확장 가능한 MRI 재구성을 위한 신경조절(neuromodulation) 기반 판별적 다중 스펙트럴 AM을 제안하며, 이는 (i) 고품질 재구성을 위해 문맥 인식 고주파 세부 정보를 전파하고, (ii) 다중모달 MRI에서 편차가 있는 미관측 도메인 간 재사용 가능한 특징을 포착할 수 있다. 제안된 네트워크는 모드별 전이 가능한 특징을 포착하는 스펙트럴 필터링 CNN과 고주파 세부 정보에 초점을 맞춘 동적 고역통과 커널 생성 트랜스포머로 구성된다. 우리는 이질적 MRI 데이터 하에서 지도 학습 및 자기지도 학습, 확산 모델 기반 학습, 폐쇄 집합 및 개방 집합 일반화, 해석 기반 분석에 대한 비교 연구로 모델을 평가한다. 우리의 방법은 미관측 시나리오에서 PSNR 기준 약 1 dB, SSIM 기준 약 0.01의 최대 개선 폭으로 확장 가능하고 고품질 재구성을 제공한다. Code: https://github.com/sriprabhar/SHFormer

arXiv:2607.04069v1cs.CV공통 태그 Image Reconstruction, MRI Reconstruction

비지도 심장 시네 MRI 재건을 위한 이미지 특징 임베딩 기반 암묵적 신경 표현 향상

Enhancing Implicit Neural Representations with Image Feature Embedding for Unsupervised Cardiac Cine MRI Reconstruction

심장 시네 자기공명영상(MRI)은 방사선과 의사에게 동적 정보를 제공하는 중요한 진단 도구입니다. 획득 속도를 높이기 위해 언더샘플링된 k-공간 데이터가 자주 사용되며, 이 경우 코일 감도 인코딩과 사전 정보를 결합하여 누락된 데이터를 복원하는 재건 방법이 필요합니다. 심층 학습(deep learning) 접근법은 데이터 적응형 사전 정보를 활용하는 방식으로 더 많은 주목을 받고 있습니다. 지도 학습 방식이 일반적인 선택지이지만, 이는 완전히 샘플링된 참조 데이터에 의존하며 이러한 데이터가 항상 확보 가능한 것은 아닙니다. 비지도 방식은 완전히 샘플링된 참조 데이터의 필요성을 제거하므로, 심장 시네 MRI 재건에서 유리할 수 있습니다. 그 중 암묵적 신경 표현(INR)은 단순한 구조와 우수한 재건 품질로 인해 높은 잠재력을 보여 왔습니다. 본 연구에서는 I-FP-INR이라 명명한 이미지 도메인 이중 브랜치 INR 프레임워크를 제안합니다. 이 프레임워크는 기존 INR 설계를 확장하여 추가적인 특징(feature) 처리 브랜치를 도입합니다. 이 설계는 보완적인 특징 임베딩(feature embedding)을 추출하여 전체적인 표현을 향상시키고 재건에 기여하는 것을 목표로 합니다. 공개 데이터셋과 자체 데이터 모두에 대한 광범위한 평가에서, 다양한 시나리오에 걸쳐 강력한 견고성과 함께 기준선(baseline) 방법 대비 재건 품질의 일관된 향상이 확인되었습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.