MRI 데이터 수집 및 이미지 재구성

Yang 등이 개척 한 CNN 및 RNN 기반 이미지 재구성 방법에 대한 연구가 빠르게 증가하고 있습니다. 등 NIPS 2016에서 왕. at ISBI 2016. 최근 애플리케이션은 예를 들어 동적 MR 이미지 재구성을 위한 컨볼 루션 반복 신경망 , 시공간 종속성을 학습하여 고도로 언더 샘플링된 복소 값 k 공간 데이터 로부터 양질의 심장 MR 이미지를 재구성하고 3D CNN을 능가합니다. 다양한 언더 샘플링 속도에 대한 계산 복잡성, 재구성 정확도 및 속도에서 접근 방식 및 압축 감지 기반 동적 MRI 재구성 알고리즘. Schlemper et al. 깊은 캐스케이드 생성 동적 MR 이미지 재구성을 위해 연결된 CNN을 사용하여 데이터 증가 (강성 및 탄성 변형 모두)를 사용하여 네트워크에 표시되는 예제의 변형을 늘리고 과적 합을 줄입니다. 25 가변 밀도 샘플링을 사용하여 단일 샷 고속 스핀 에코 MRI에 가변 네트워크 사용 , Chen et al. 실시간 ( 섹션 당 200ms) 이미지 재구성이 가능하여 기존의 병렬 이미징 및 압축 감지 재구성을 능가합니다. 에서 , 저자의 가능성 탐구 전송 학습(사전 훈련된 모델) 환자 무릎 MRI 기록의 변이 네트워크 및 실제 측정 k 공간 데이터와 이미지에서 생성된 합성 k 공간 데이터를 사용하여 이미지 대비, SNR, 샘플링 패턴 및 이미지 콘텐츠와 관련된 학습된 이미지 재구성의 일반화를 평가했습니다. 버클리 세분화 데이터 세트 및 벤치 마크. 텍스처 세부 사항을 학습하고 고주파 노이즈를 억제하는 최소 제곱 생성 적대 네트워크 (GAN)를 사용하여 "즉시"( 30ms) 진단 품질 재구성을 생성할 수 있는 새로운 압축 감지 프레임 워크를 만들었습니다. 26 이미지 재구성을 위한 통합 프레임 워크 , 정말 연결된 레이어와 희소 컨볼 루션 오토 인코더가 뒤 따르는 피드 포워드 심층 신경망으로 구성된 매니 폴드 근사에 의한 자동 변환 (AUTOMAP) 은 센서와 이미지 도메인 기반 간의 매핑을 생성하는 데이터 기반 지도 학습 작업으로 일반적으로 이미지 재구성을 공식화합니다. 적절한 훈련 데이터 수집 (예 : Human Connectome Project에서 수집 한 MRI 검사 , k 공간 센서 도메인으로 변환 ). MR 이미지 재구성의 딥 러닝에 대한 다른 접근법 과보 고도 있습니다. 예를 들어 기본 분야는 빠르게 발전하고 있습니다. 정량적 매개 변수 QSM 및 MR 지문 MRI에 대한 딥 러닝 내에서 개발 중인 또 다른 영역은 기록된 복합 값 데이터에서 정량적 조직 매개 변수를 추정하는 것입니다. 예를 들어 정량적 감수성 매핑 내에서 , 그리고 자기 공명 지문의 흥미로운 분야에서 QSM (Quantitative Susceptibility Mapping)은 생물학적 조직의 자기 감수성을 비 침습적으로 추정하는 것을 목표로 하는 MRI 연구의 성장 분야입니다. 이 기술은 로컬 자기장에서 자기 감수성을 결정하는 어렵고 잘못된 역 문제를 해결하는 데 기반을 두고 있습니다. 최근 Yoon et al. 은 단일 방향 데이터에서 고품질 감수성 소스 맵을 생성 할 수 있는 QSMnet이라는 이름의 3차원 CNN을 구성하고 U-Net 아키텍처를 기반으로 합니다. 저자는 QSM에 대한 황금 표준 인 소위 COSMOS 방법을 사용하여 훈련 데이터를 생성했습니다. 데이터는 12 명의 건강한 지원자의 60 건의 스캔을 기반으로 합니다. 결과 모델은 QSM에 대한 최첨단을 단순화하고 개선했습니다. Rasmussen과 동료는 다른 접근 방식을 취했습니다. 그들은 또한 DeepQSM이라는 필드-소스 반전을 수행하기 위해 U-Net 기반 컨볼 루션 신경망을 사용했지만 큐브, 직사각형 및 구와 같은 단순한 기하학적 모양을 포함하는 종합적으로 생성된 데이터에 대해 훈련되었습니다. 합성 데이터에 대한 모델을 훈련한 후 실제 임상 뇌 MRI 데이터로 일반화하여 몇 초 내에 종단 간 감수성 맵을 계산할 수 있었습니다. 저자는 빠른 이미징 시퀀스와 결합된 방법이 표준 임상 실습에서 QSM을 실현할 수 있다고 결론지었습니다. 자기 공명 지문 (MRF)는 조금 더 5 년 전에 비해 도입, 및 "표준화 이미징 얻기 위해 유망한 새로운 접근 방식을 호출된 바이오 마커 방사선의 유럽 학회 MRI에서 을". 이는 여러 조직의 신호가 조사 중인 여러 재료 특성의 함수 인 고유 한 신호 진화 ( "지문")를 갖도록 하는 의사 무작위 획득을 사용합니다. 신호를 알려진 조직 매개 변수 (T1, T2 및 양성자 밀도)로 다시 매핑하는 것은 다소 어려운 역 문제입니다. MRF는 MRF가 k 단위의 데이터를 언더 샘플링한다는 점에서 MRI의 압축 감지 개념과 밀접한 관련이 있습니다.- 압축된 감지로 억제할 수 있는 재구성된 이미지에서 앨리어싱 인공물을 생성하는 공간 27 이것은 정량적 다중 매개 변수 MRI 분석으로 간주될 수 있으며, 언더 샘플링이 있는 싱글 샷 나선형 궤적을 사용하는 최근 획득 방식에서는 T 1 , T 2 및 양성자 밀도 맵의 전체 뇌 범위를 1.2 1.2 3에서 획득할 수 있습니다. mm 3 복셀 분해능 (5 분 미만). 획득 후 MRF의 처리는 일반적으로, 소정의 사전 예측 신호 진화의 상기 지문 일치하는지 다양한 패턴 인식 알고리즘을 사용하는 것은 USING 만든 블로흐 방정식 최근에는 MR 핑거 프린팅에 딥 러닝 방법론이 적용되었습니다. Cohen et al. 사전 항목의 희소 세트에 대해 훈련된, 기록된 신호 크기를 해당 조직 매개 변수 값에 매핑하는 최적의 기능을 학습하는 것으로 MRF 재구성 문제를 재구성했습니다. 이를 달성하기 위해 MRF 시퀀스 (MRF-EPI, ~ 3 초에 25 프레임 또는 MRF-FISP, ~ 7.5 초에 600 프레임 )로 획득 한 복셀 방식 MRI 데이터를 숨겨진 2 개로 구성된 4 계층 신경망에 공급했습니다. T 1 및 T 2 만 고려하여 300 300 완전 연결 노드와 출력 계층에 두 개의 노드가 있는 계층 파라 메트릭 맵. MRF Deep RecOnstruction NEtwork (DRONE)라고 하는 네트워크는 평균 제곱 오차 손실 함수 가있는 적응 형 모멘트 추정 확률 적 경사 하강 법 알고리즘에 의해 훈련되었습니다. 이들 사전 ~70,000 항목 (이산화 T 제조 구성 1 및 T 2의 값)과의 네트워크 훈련 수렴 이 사전에 (~10 MRF-EPI 대한 MB와 ~300 MRF-FISP 대한 MB) (70) (10)를 요구하여 최소 엔비디아 K80 GPU 2 GB 메모리. 그들은 재건 시간을 찾았습니다 (10 ~ 70 잘 특성화된 ISMRM / NIST 팬텀과 생체 내 인간 두뇌를 모두 사용하여 기존 사전 일치 기술보다 300 ~ 5000 배 더 빠릅니다.