本研究では、呼吸運動による影響を受けるMRI再構成の課題に対して、新しい自己教師付きのk空間正則化手法であるPISCOを提案した。PISCOは、パラレルイメージングの概念を応用し、k空間内の空間的な関係性を利用して、追加のキャリブレーションデータなしに正則化を行う。
シミュレーションデータと実in-vivo データを用いた評価により、PISCOを統合した神経暗黙的k空間表現(PISCO-NIK)が、時間分解能を維持しつつ、空間的・時間的な画質を向上させることが示された。特に加速率が高い場合に、PISCO-NIKはPSNRやFSIMの指標で有意な改善を示した。
静的な再構成においても、PISCOの正則化効果により、加速再構成時の画質が向上した。動的再構成では、NIKが高時間分解能を実現しつつ、PISCOがさらに時間的な滑らかさを与えながら、空間分解能も維持することが確認された。
本手法は、パラレルイメージングの概念を学習ベースの再構成に適用した初の試みであり、キャリブレーションデータを必要とせずに、k空間情報を有効活用できる点が特徴的である。今後は、再構成時間の短縮や呼吸信号の不確定性への対応など、臨床応用に向けた課題に取り組む必要がある。
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問