高解像度画像を用いた正確な診断と治療のための要求が高まる中、取得時間と動きによるアーチファクトの最小化は磁気共鳴画像法（MRI）において依然として課題である。深層学習に基づく画像修復は、低解像度または動きにより破損したデータから高解像度かつアーチファクトのないMR画像を生成する有望な解決策を提供する。臨床ワークフローでの実用的な展開を促進するため、本研究では疑似3D MRI超解像再構成（SRR）および動きアーチファクト低減（MAR）のための2Dネットワーク（TS-RCAN）を用いた時間・GPU効率の良いフレームワークを提案した。SRRの精度と取得時間のバランスを取る最適なダウンサンプリング係数を特定した。MARの学習には、制御可能な動きアーチファクトを重症度別に誘導する標準化手法を使用した。ネットワークの性能は最先端の3Dネットワークと比較して評価した。結果は、2倍加速ではダウンサンプリング係数1 1 2、4倍加速では2 2 2が最適なSRR性能を達成したことを示した。TS-RCANはSSIM/PSNRで0.01/1.5 dBを超えてほとんどの3Dネットワークを上回り、GPU負荷と推論時間を最大90%削減した。MARにおいてもTS-RCANはUNetをSSIM/PSNRで0.014/1.48 dB上回った。さらに、不確実性推定は画像品質指標と相関し、真の画像なしで精度予測を可能にした。TS-RCANは臨床MRIに関する実用的意義を持ち、他の画像コントラストや病理ケースへの将来的な拡張の柔軟な基盤となる効率的かつ高精度なSRRおよびMARフレームワークを提供する。
Liら（Sat,）がこの課題を研究した。