[논문 리뷰] Low-Field Magnetic Resonance Image Enhancement using Undersampled k-Space

Daniel Tweneboah Anyimadu, Mohammed Abdalla외 2명|arXiv (Cornell University)|2026. 03. 14.

Advanced MRI Techniques and Applications인용 수 0

한 줄 요약

요약: k-space–driven 딥러닝 프레임워크 (kSURF)를 제안하여 undersampled 저자력 MRI 데이터의 재구성 및 초해상화를 voxel 단위 불확실성과 함께 수행하고, LF k-space에서 HF와 유사한 품질을 달성한다.

ABSTRACT

Low-field magnetic resonance imaging (MRI) offers a cost-effective alternative for medical imaging in resource-limited settings. However, its widespread adoption is hindered by two key challenges: prolonged scan times and reduced image quality. Accelerated acquisition can be achieved using k-space undersampling, while image enhancement traditionally relies on spatial-domain postprocessing. In this work, we propose a novel deep learning framework based on a U-Net variant that operates directly in k-space to super-resolve low-field MR images directly using undersampled data while quantifying the impact of reduced k-space sampling. Unlike conventional approaches that treat image super-resolution as a postprocessing step following image reconstruction from undersampled k-space, our unified model integrates both processes, leveraging k-space information to achieve superior image fidelity. Extensive experiments on synthetic and real low-field brain MRI datasets demonstrate that k-space-driven image super-resolution outperforms conventional spatial-domain counterparts. Furthermore, our results show that undersampled k-space reconstructions achieve comparable quality to full k-space acquisitions, enabling substantial scan-time acceleration without compromising diagnostic utility.

연구 동기 및 목표

• 진단 세부 정보를 유지하면서 undersampling을 통한 더 빠른 LF-MRI를 동기 부여합니다.
• LF-MRI를 k-space에서 직접 재구성하고 향상시키는 통합적인 엔드-투-엔드 모델을 개발합니다.
• 복구 신뢰성을 정량화하기 위한 voxel-wise 불확실성을 도입합니다.
• k-space–driven 접근법을 공간 도메인 SR/IQT 방법과 비교하고 분포 이동(distribution shifts)에서의 강인함을 평가합니다.
• 다양한 undersampling 패턴을 가진 합성 및 실 LF-MRI 뇌 데이터에의 적용 가능성을 시연합니다.

제안 방법

• k-space dual-channel U-Net(kSURF)을 도입하여 실수/허수 k-space 성분을 처리하고 HF와 유사한 k-space 출력을 생성합니다.
• 다중 undersampling 패턴(Cartesian, pseudo-radial, 2D random)을 갖는 HF-LF 데이터 페어에서 HF-HCP 데이터셋의 합성 LF 시뮬레이션으로 학습합니다.
• 결합 손실(MSE + MAE + L2 정규화)로 최적화하고 교차 검증된 앙상블을 사용하여 voxel-wise 불확실성을 Var(predictions)으로 추정합니다.
• 학습을 위한 LF 및 HF 부피를 정렬하기 위해 FFT 기반 사전 처리 후 32×32×32 패치를 사용하여 데이터를 처리합니다.
• 스페이셜 도메인 SR/IQT(sIQT) 베이스라인과 k-space에서의 성능을 평가하고 InD 및 OOD 테스트 세트에서 PSNR/SSIM를 비교합니다.
• 불확실성 맵을 포함한 정성적 및 정량적 결과를 제공하여 신뢰성을 평가합니다.

실험 결과

연구 질문

• RQ1 제안된 unified k-space–driven 모델이 undersampled LF k-space에서 HF와 유사한 이미지를 재구성하여 완전히 샘플링된 HF 획득과 유사한 충실도를 제공할 수 있는가?
• RQ2 주파수 영역에서 작동하는 것이 공격적으로 undersampling될 때 기존의 공간 도메인 SR 방법보다 더 중요한 주파수 정보를 보존하는가?
• RQ3 undersampling 패턴 및 비율이 재구성 품질과 불확실성 추정에 미치는 영향은 무엇인가?
• RQ4 제안된 kSURF가 기존의 공간 도메인 SR/IQT 및 재구성 베이스라인과 InD 및 OOD 시나리오에서 어떻게 비교되는가?
• RQ5 kSURF와 불확실성 정량화를 사용할 때 실제 LF-MRI 데이터(병리 케이스 포함)에서 명확한 개선이 나타나는가?

주요 결과

• kSURF는 합성 InD 데이터에서 undersampling 패턴과 비율에 대해 공간 도메인 베이스라인보다 일관되게 더 높은 PSNR 및 SSIM을 달성합니다.
• kSURF는 도메인 이동(OOD)에서 견고한 성능을 보이며 일반적으로 정량 지표 및 불확실성 신뢰성 측면에서 sIQT를 능가합니다.
• Pseudo-radial undersampling이 kSURF에 대해 테스트 패턴 중 가장 우수한 정량 결과를 제공합니다.
• 불확실성 맵(복셀 단위 분산)은 재구성에 대한 해석 가능한 신뢰도를 제공하고 잔여 오차 맵과 상관되어 신뢰 가능한 불확실성 정량화를 시사합니다.
• 실 LF-MRI 데이터(0.3T)에서 건강한 피험자와 파킨슨병 환자에서 LF–제로 필링이 영상 품질을 저하시켰고, kSURF가 재구성을 개선하고 의미 있는 불확실성 추정치를 제공함을 보였습니다.
• 전반적으로 kSURF는 InD 및 대체로 OOD 시나리오에서도 LRTV, ESPCN, ISO U-Net 및 3D SR U-Net과 같은 경쟁 방법들을 능가합니다.