[論文レビュー] Performance characterization of a novel deep learning-based MR image reconstruction pipeline

R. Marc Lebel|arXiv (Cornell University)|Aug 14, 2020

Medical Imaging Techniques and Applications参考文献 15被引用数 63

ひとこと要約

新規の深層学習ベースのMR再構成パイプラインは、シャープネスとデノイズの改善を目的として特徴づけられ、デジタルリファレンス、ファントム、in-vivoデータを対象として評価され、走査時間の短縮を支持する。

ABSTRACT

A novel deep learning-based magnetic resonance imaging reconstruction pipeline was designed to address fundamental image quality limitations of conventional reconstruction to provide high-resolution, low-noise MR images. This pipeline's unique aims were to convert truncation artifact into improved image sharpness while jointly denoising images to improve image quality. This new approach, now commercially available at AIR Recon DL (GE Healthcare, Waukesha, WI), includes a deep convolutional neural network (CNN) to aid in the reconstruction of raw data, ultimately producing clean, sharp images. Here we describe key features of this pipeline and its CNN, characterize its performance in digital reference objects, phantoms, and in-vivo, and present sample images and protocol optimization strategies that leverage image quality improvement for reduced scan time. This new deep learning-based reconstruction pipeline represents a powerful new tool to increase the diagnostic and operational performance of an MRI scanner.

研究の動機と目的

• 従来のMR再構成の基本的な画像品質の限界に対処する。
• 高分解能・低ノイズのMR画像を提供する。
• 切断アーティファクトを、デノイズと同時に画像のシャープネスを向上させるよう変換する。
• デジタルリファレンスオブジェクト、ファントム、およびin-vivoデータにわたる性能を示す。
• 画像品質の改善を活用した走査時間の短縮のためのプロトコル最適化戦略を提供する。

提案手法

• 生データMR画像再構成を支援する深層畳み込みニューラルネットワークの統合を説明する。
• 切断アーティファクトをより鮮明な画像に変換しつつノイズを除去するパイプライン機能を概説する。
• デジタルリファレンスオブジェクト、ファントム、およびin-vivoデータを用いて性能を評価する。
• 画像品質の改善に基づくサンプル画像とプロトコル最適化のガイダンスを提供する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニング再構成パイプラインは、従来法と比較して画像のシャープネスとノイズにどのような影響を与えるか？
• RQ2 パイプラインはデジタルリファレンスオブジェクト、ファントム、およびin-vivo MRデータ全体でどのように性能を示すか？
• RQ3 画像品質の改善を通じて走査時間の短縮を実現できるか？
• RQ4 強化された画像品質を活用した実用的なプロトコル最適化戦略は何か？

主な発見

• 本パイプラインは、評価対象物において従来の再構成と比較して画像のシャープネスを向上させ、ノイズを低減する。
• デジタルリファレンスオブジェクト、ファントム、およびin-vivoデータ全体で性能が示されている。
• サンプル画像とプロトコル戦略は、画像品質の向上が走査時間の短縮をどのように支援できるかを示している。