Bewegungsinformiertes Deep Learning zur Rekonstruktion von Gehirn-MRT-Bildern Rahmenwerk

Bewegungsartefakte in der Magnetresonanztomographie (MRT) gehören zu den häufig vorkommenden Artefakten aufgrund von Patientenbewegungen während des Scannens. Es wird geschätzt, dass in etwa 30% der klinischen MRT-Scans Bewegungen vorhanden sind; jedoch wurde Bewegung in tiefen Lernmodellen zur Bildrekonstruktion nicht explizit modelliert. Es wurde gezeigt, dass Deep Learning (DL) Algorithmen sowohl für die Aufgabe der Bildrekonstruktion als auch für die Aufgabe der Bewegungsbereinigung effektiv sind, aber die beiden Aufgaben werden getrennt betrachtet. Die Aufgabe der Bildrekonstruktion beinhaltet das Entfernen von Unterschwingungsartefakten wie Rauschen und Aliasingartefakten, während die Bewegungsbereinigung das Entfernen von Artefakten wie Unschärfe, Geistern und Ringen umfasst. In dieser Arbeit schlagen wir eine neuartige Methode vor, um die Bildgebung gleichzeitig zu beschleunigen und Bewegungen zu korrigieren. Dies wird erreicht, indem ein Bewegungsmodul in den auf Deep Learning basierenden MRT-Rekonstruktionsprozess integriert wird, das die Echtzeiterkennung und -korrektur von Bewegungen ermöglicht. Wir modellieren Bewegung als eng integrierte Hilfsschicht im Deep Learning-Modell während des Trainings, wodurch das Deep Learning-Modell 'bewegungsinformiert' wird. Während der Inferenz wird die Bildrekonstruktion aus unterabgetasteten Rohdaten im k-Raum unter Verwendung eines trainierten bewegungsinformierten DL-Modells durchgeführt. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene bewegungsinformierte Deep Learning Bildrekonstruktionsnetzwerk das konventionelle Bildrekonstruktionsnetzwerk für bewegungsverschlechterte MRT-Datensätze übertroffen hat.