Ein bewegungsrobustes Slice-to-Volume-Rekonstruktionsframework für fetale Gehirn-MRT

Die volumetrische Rekonstruktion von fetalen Gehirnen aus mehreren Stapeln von MRT-Schnitten ist aufgrund starker Bewegungen des Subjekts und Bildartefakte herausfordernd. Wir schlagen eine Deep-Learning-Methode vor, um das Slice-to-Volume-Rekonstruktionsproblem in zwei Phasen zu lösen. Zuerst wird ein Transformer-Netzwerk verwendet, um die Bewegung zwischen den Schnitten zu korrigieren, indem die Eingabeschnitte in einen 3D-kanonischen Raum registriert werden. Zweitens rekonstruiert ein implizites neuronales Netzwerk das 3D-Volumen, indem es eine kontinuierliche 3D-Darstellung des fetalen Gehirns aus den 2D-Beobachtungen lernt. Die Ergebnisse zeigen, dass unsere Methode eine hohe Rekonstruktionsqualität erreicht und bestehende State-of-the-Art-Methoden in Anwesenheit starker fetaler Bewegungen übertrifft.