Accelerated Patient-specific Non-Cartesian MRI Reconstruction using Implicit Neural Representations
Created by
Haebom
Category
Empty
저자
Di Xu, Hengjie Liu, Xin Miao, Daniel O'Connor, Jessica E. Scholey, Wensha Yang, Mary Feng, Michael Ohliger, Hui Lin, Dan Ruan, Yang Yang, Ke Sheng
개요
본 논문은 압축 센싱의 계산 복잡성과 기존 심층 학습 기반 MRI 재구성 방법의 한계를 극복하기 위해, 생성적 적대 신경망을 이용한 새로운 암묵적 신경 표현(k-GINR) 기반의 비카르테시안 k-공간 재구성 방법을 제시합니다. k-GINR은 기존 환자 데이터를 이용한 지도 학습과 개별 환자 데이터를 이용한 자기 지도 학습의 두 단계로 구성됩니다. UCSF StarVIBE T1-weighted 간 데이터셋을 사용한 실험 결과, k-GINR은 기존의 심층 합성곱 신경망(Deep Cascade CNN) 및 압축 센싱 기반 방법보다 높은 성능을 보였으며, 특히 고가속(20배) 환경에서 더욱 큰 성능 향상을 나타냈습니다. 이는 새로운 환자의 비카르테시안 k-공간 데이터 재구성에 효과적인 방법임을 시사합니다.
시사점, 한계점
•
시사점:
◦
비카르테시안 k-공간 샘플링에 적합한 새로운 MRI 재구성 방법 제시
◦
고가속 환경에서도 우수한 성능을 보임
◦
기존 방법 대비 계산 효율성 향상
◦
새로운 환자 데이터에 대한 일반화 성능 우수
•
한계점:
◦
제안된 방법의 성능 평가가 특정 데이터셋(UCSF StarVIBE T1-weighted 간 데이터셋)에 한정됨. 다양한 데이터셋 및 해부학적 영역에 대한 추가적인 검증 필요
◦
자기 지도 학습 단계의 성능에 대한 추가적인 분석 필요
◦
k-GINR의 매개변수 최적화 및 학습 과정에 대한 자세한 설명 부족. 재현성 확보를 위한 세부적인 정보 제공 필요
