Core Concepts
R2D2 접근법은 이전 반복의 이미지 추정치와 관련 데이터 잔차를 입력으로 사용하는 일련의 심층 신경망을 통해 반복적으로 잔차 이미지를 추정하여 이미지를 재구성합니다. 이 방법은 매칭 퍼슈트 알고리즘의 학습된 버전으로 해석될 수 있습니다.
Abstract
이 논문은 비카르테시안 자기공명영상 재구성을 위한 새로운 접근법인 R2D2를 제안합니다. R2D2는 이전 반복의 이미지 추정치와 관련 데이터 잔차를 입력으로 사용하는 일련의 심층 신경망을 통해 반복적으로 잔차 이미지를 추정하여 이미지를 재구성합니다. 이는 매칭 퍼슈트 알고리즘의 학습된 버전으로 해석될 수 있습니다.
논문에서는 R2D2와 두 가지 언롤드 변형인 R2D2-Net (FFT)와 R2D2-Net (NUFFT)를 소개합니다. R2D2-Net (NUFFT)는 NUFFT 기반 데이터 일관성 레이어를 사용하지만 대규모 설정에서 비확장성 문제가 있습니다. 반면 R2D2-Net (FFT)는 FFT 근사를 사용하여 데이터 일관성을 추정함으로써 확장성을 높입니다.
실험 결과, R2D2는 R2D2-Net (NUFFT)에 비해 성능이 다소 떨어지지만 R2D2-Net (FFT)보다 우수한 재구성 품질을 달성합니다. 또한 R2D2는 AIRI와 NC-PDNet과 같은 최신 방법들보다 우수한 성능을 보입니다. 특히 R2D2는 반복 횟수가 매우 적어 매우 빠른 추론 속도를 보입니다.
향후 연구 방향으로는 R2D2의 심층 신경망 아키텍처 개선, 복소값 MRI 데이터 고려, 다중 코일 및 3D/4D MRI와 같은 대규모 시나리오에서의 성능 검증 등이 있습니다.
Stats
데이터 백프로젝션 이미지의 평균 픽셀 값은 데이터 일관성 계산을 위한 정규화 계수로 사용됩니다.
데이터 동적 범위는 10에서 10,000 사이로 설정되어 다양한 노이즈 수준을 포함합니다.
가속 요인은 4에서 40 사이의 값으로 설정되어 다양한 샘플링 패턴을 고려합니다.
Quotes
"R2D2의 재구성은 이전 반복의 이미지 추정치와 관련 데이터 잔차를 입력으로 사용하는 일련의 심층 신경망을 통해 반복적으로 추정된 잔차 이미지로 구성됩니다."
"R2D2는 매칭 퍼슈트 알고리즘의 학습된 버전으로 해석될 수 있습니다."