Implizite neuronale Netze mit Fourier-Feature-Eingaben für die Rekonstruktion von herzlicher MRT mit freiem Atmen

Die magnet-resonanzbildgebung des Herzens (MRT) erfordert die Rekonstruktion eines Echtzeitvideos eines schlagenden Herzens aus kontinuierlich stark unterbeteiligten Messungen. Diese Aufgabe ist herausfordernd, da sich das zu rekonstruierende Objekt (das Herz) während der Signalakquisition ständig verändert. In diesem Papier schlagen wir einen Rekonstruktionsansatz vor, bei dem das schlagende Herz durch ein implizites neuronales Netzwerk dargestellt wird, und passen das Netzwerk an, sodass die Darstellung des Herzens mit den Messungen übereinstimmt. Das Netzwerk in Form eines mehrschichtigen Perzeptrons mit Fourier-Feature-Eingaben wirkt als effektives Signalprior und ermöglicht die Anpassung der Regularisierungsstärke sowohl in den räumlichen als auch in den zeitlichen Dimensionen des Signals. Wir untersuchen den vorgeschlagenen Ansatz für 2D-freies Atmen herzliche Echtzeit-MRT in verschiedenen Betriebsmodi, d. h. für unterschiedliche Bildauflösungen, Schichtdicken und Akquiselängen. Unsere Methode erreicht eine Rekonstruktionsqualität, die mit der von nicht trainierten konvolutionalen neuronalen Netzwerken vergleichbar oder leicht besser ist, sowie eine überlegene Bildqualität im Vergleich zu einem neueren Verfahren, das eine implizite Darstellung direkt an Fourier-Domänenmessungen anpasst. Dies geht jedoch mit relativ hohen Rechenkosten einher. Unser Ansatz erfordert keine zusätzlichen Patientendaten oder Biosensoren, einschließlich Elektrokardiographie, was ihn potenziell in einer Vielzahl von klinischen Szenarien anwendbar macht.