Reconstrucciones de MRI aceleradas a través de una red variacional y aprendizaje en el dominio de características

Introducimos tres modificaciones arquitectónicas para mejorar el rendimiento de la red variacional (VarNet) de extremo a extremo (E2E) para reconstrucciones de MRI submuestreadas. Primero implementamos el Feature VarNet, que propaga información a través de las cascadas de la red en un espacio de características de N canales en lugar de un espacio de características de 2 canales. Luego, añadimos una capa de atención que utiliza las ubicaciones espaciales de los artefactos de submuestreo cartesiano para mejorar aún más el rendimiento. Por último, combinamos los Feature y E2E VarNets en el Feature-Image (FI) VarNet, para facilitar el aprendizaje entre dominios y aumentar la precisión. Las reconstrucciones fueron evaluadas en el conjunto de datos fastMRI utilizando métricas estándar y puntuaciones clínicas por tres neurorradiólogos. Los Feature y FI VarNets superaron al E2E VarNet para 4 × , 5 × y 8 × de submuestreo cartesiano en todas las métricas estudiadas. FI VarNet ocupó el segundo lugar en la tabla de clasificación pública de fastMRI para un submuestreo cartesiano de 4 × , superando todos los modelos de código abierto en la tabla de clasificación. Los radiólogos calificaron las reconstrucciones cerebrales de FI VarNet con mayor calidad y nitidez que las reconstrucciones de E2E VarNet. FI VarNet sobresalió en la preservación de detalles anatómicos, incluyendo vasos sanguíneos, mientras que E2E VarNet los descartó o difuminó en algunos casos. El FI VarNet propuesto mejora la calidad de reconstrucción de MRI submuestreadas y podría permitir reconstrucciones clínicamente aceptables a factores de aceleración más altos de lo que es posible actualmente.