[论文解读] 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 63

一句话总结

一种基于深度学习的新型 MR 重建流程被表征为提升清晰度和去噪，在数字参考、幻影和体内数据上进行评估，以支持缩短成像时间。

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.

研究动机与目标

• 解决传统 MR 重建的基本图像质量局限。
• 提供高分辨率、低噪声的 MR 图像。
• 将截断伪影转化为更高的图像清晰度，同时进行去噪。
• 在数字参考对象、幻影、和体内数据上展示性能。
• 提供利用图像质量改进实现更快扫描的协议优化策略。

提出的方法

• 描述将深度卷积神经网络整合以帮助重建原始 MR 数据。
• 概述将截断伪影转化为更清晰的影像同时执行去噪的流程特征。
• 使用数字参考对象、幻影和体内数据评估性能。
• 基于图像质量改进提供示例图像和协议优化指导。

实验结果

研究问题

• RQ1 相对于传统方法，深度学习重建流程在图像清晰度和噪声方面有何影响？
• RQ2 该流程在数字参考对象、幻影和体内 MR 数据上的表现如何？
• RQ3 通过改进的图像质量，该流程是否能够实现更短的扫描时间？
• RQ4 有哪些利用增强图像质量的实际协议优化策略？

主要发现

• 与在测试对象上相比，流程提高了图像清晰度并降低了噪声。
• 在数字参考对象、幻影和体内数据上展示了性能。
• 示例图像和协议策略说明了图像质量提升如何支持更短的扫描时间。