SANTIS: Mintavételezésű, kiterjesztett ideg neTwork inkoherens szerkezettel az MR kép rekonstrukciójához

Radiológiai Tanszék, University of Wisconsin-Madison, Madison, Wisconsin

Levelezés

Fang Liu, Wisconsini Egyetem Radiológiai Tanszék – Madison, 1111 Highland Avenue, Madison, WI 53705–2275.

Radiológiai Tanszék, University of Wisconsin-Madison, Madison, Wisconsin

Radiológiai Osztály, Southwest Hospital, Chongqing, Kína

Radiológiai Tanszék, University of Wisconsin-Madison, Madison, Wisconsin

Orvosi Fizikai Tanszék, Memorial Sloan Kettering Rákközpont, New York, New York

Radiológiai Tanszék, University of Wisconsin-Madison, Madison, Wisconsin

Levelezés

Fang Liu, Wisconsini Egyetem Radiológiai Tanszék – Madison, 1111 Highland Avenue, Madison, WI 53705–2275.

Radiológiai Tanszék, University of Wisconsin-Madison, Madison, Wisconsin

Radiológiai Osztály, Délnyugati Kórház, Csungking, Kína

Radiológiai Tanszék, University of Wisconsin-Madison, Madison, Wisconsin

Orvosi Fizikai Tanszék, Memorial Sloan Kettering Rákközpont, New York, New York

Finanszírozási információk:

Országos Egészségügyi Intézetek, támogatások/díjak száma: R01AR068373 és R01EB027087.

Absztrakt

Célja

A SANTIS (Sampling-Augmented Neural NeTwork with Incoherent Structure) elnevezésű új, mély tanuláson alapuló rekonstrukciós keretrendszer kidolgozása és értékelése a hatékony MR-kép rekonstrukció érdekében, nagyobb robusztussággal a mintavételi minták eltéréseivel szemben.

Mód

Az adatciklus-konzisztens kontradiktórius hálózat, a végpontok közötti konvolúciós neuronhálózat-térképezés és az adatminták hűség-érvényesítésének kombinációja az alul mintavételezett MR-adatok rekonstruálásához a SANTIS emellett mintavételezéssel kiegészített képzési stratégiát is alkalmaz, az edzés során az almintavételi minták nagymértékben változtatva, hogy a hálózat képes megtanulni a különböző álneves szerkezeteket, és ezáltal hatékonyabban és robusztusabban eltávolítani az alulmintázott tárgyakat. A SANTIS teljesítményét gyorsított térd- és májképalkotáshoz igazolták derékszögű pálya, illetve aranyszögű sugárirányú pálya alkalmazásával. Kvantitatív mérőszámokkal értékelték teljesítményét különböző referenciák alapján. A SANTIS megvalósíthatóságát a kontrasztos, dinamikus képek rekonstrukciójában transzfertanulás segítségével is bizonyították.

Eredmények

A kép ritkaságát kihasználó hagyományos rekonstrukcióhoz képest a SANTIS folyamatosan javított rekonstrukciós teljesítményt (alacsonyabb hibák és nagyobb képélesség). A mintavételnövelés nélküli szokásos tanulásalapú módszerekhez (pl. Rögzített almintavételi mintázattal rendelkező edzésekhez) képest a SANTIS összehasonlítható rekonstrukciós teljesítményt nyújt, de jelentősen javított robusztusságot nyújt a mintavételi minták eltéréseivel szemben. A SANTIS biztató eredményeket ért el a különböző kontrasztfázisokban nyert májképek rekonstrukciójával kapcsolatban is.

Következtetés

Az almintavételezési minták széleskörű variálásával a SANTIS-ban a mintavétellel kiegészített edzésstratégia erőteljesebben eltávolíthatja az alulmintavételeket. A SANTIS új koncepciója különösen hasznos lehet a mély tanuláson alapuló képrekonstrukció robusztusságának javításában a képzés és a következtetés közötti eltérés ellen, ez egy fontos, de jelenleg kevésbé feltárt téma.

A CrossRef szerint idézett alkalmak száma: 12

Mariusz Oszust, Adam Piórkowski, Rafał Obuchowicz, No-reference image quality assessment of Magnetic Resonance images with high boost filtering and local features, Magnetic Resonance in Medicine, 10.1002/mrm.28201, 84., 3, (1648-1660), (2020).

S1. ÁBRA A SANTIS-ban megvalósított maradék U-Net és PatchGAN illusztrációja a végpontok közötti CNN leképezéshez és az ellenséges képzéshez. Az U-Net struktúra egy kódolóhálózatból és egy dekóderhálózatból áll, amelyek között többszörös gyorsbekapcsolás (pl. Összefűzés) van a leképezési teljesítmény javítása érdekében. A CNN rétegek rövidítései közé tartozik a BN a kötegelt normalizáláshoz, a ReLU a rektifikált lineáris egység aktiválásához, a Conv a 2D konvolúcióhoz és a Deconv a 2D dekonvolúcióhoz. A konvolúciós rétegek paramétereit az ábrán képméretként jelöljük @ a 2D-s szűrők száma

S2. ÁBRA Különböző veszteségkomponensek alakulása, beleértve a megkülönböztető veszteséget (a Lgan kifejezés első része a 9. egyenletben), a generátor veszteségét (Lgan kifejezés második része a 9. egyenletben) és a képpontonkénti képveszteséget (Lcyc kifejezés a 9. egyenletben) a R = 3, és 3 térfogatú mini-adaggal térdadatkészlethez. A generátorveszteség megpróbálja versenyezni a diszkriminátorveszteséggel, amely ellenőrzi, hogy a generátorhálózat mennyire képes becsapni a diszkriminátorhálózatot az ellentétes képzés során. Nyilvánvaló, hogy a képpont pixelvesztesége monoton módon csökken, és utána egyensúlyi állapotot ér el

160 korszak, ami az edzés konvergenciáját jelzi. A validációs adatsorból rekonstruált képek a képminőség javulását is mutatják (az nRMSE csökkenésével) a különböző képzési korszakokban. Az nRMSE fokozatosan csökken 0-ról 160-ra. 160 korszak után a minőségi megfigyelés és az nRMSE alapján nincs észrevehető javulás, amely az edzés konvergenciáját mutatja

S3. ÁBRA A 7. ábra megfelelő teljes FOV képei összehasonlítják a CNN-Fix és a SANTIS-t a következtetéshez a MaskR1 és a MaskR2 használatával. A piros nyilak a CS-PI és a CNN-Fix-MaskR1 maradék csíkozási műtermékeit jelzik

S4. ÁBRA Reprezentatív példák a CNN-Fix és a SANTIS-ból R = 3-nál egyenletes almintavétellel rekonstruált térdképekre. Az egységes, alulmintavételezési mintázat elárasztja a műtárgyakat és elmosódik a nulla kitöltésű rekonstrukció során. A CNN-Fix és a SANTIS egyaránt képes volt eltávolítani az álnevesítő tárgyakat. A SANTIS a CNN-Fixhez hasonlóan jobban megőrzött élességgel (zöld nyilak) és textúrával valamivel jobb teljesítményt ért el

S5. ÁBRA A CNN-Fix és a SANTIS rekonstrukciós robusztusságának értékelése egyenletes almintavétellel R = 3-nál. Bár a MaskC1 használatával betanított CNN-Fix képes rekonstruálni egy alulmintázott képet a MaskC1-gyel, nem sikerült rekonstruálnia az alulmintázott képet a MaskC2-vel, ami észrevehető maradék tárgyakat eredményezett, mint zöld nyilak mutatják. A SANTIS viszont képes volt rekonstruálni az alulmintázott képet mind a MaskC1, mind a MaskC2 segítségével. Meg kell jegyeznünk, hogy a MaskC1 és a MaskC2 különböző álnevesítő tárgyakat hozott létre, amint azt a zöld nyilak kiemelik a nulla kitöltéssel ellátott képeken

Kérjük, vegye figyelembe: A kiadó nem felelős a szerzők által szolgáltatott bármilyen kiegészítő információ tartalmáért vagy működéséért. Bármilyen kérdést (a hiányzó tartalom kivételével) a cikk megfelelő szerzőjéhez kell irányítani.