A long imaging time and metal-induced artifacts are major issues of MRI. In this paper, we applied deep learning to overcome these issues. Deep neural networks are proposed to solve these issues, and accompanying problems like insufficient training data, overfitting, and optimization are solved and analyzed.
To accelerate long imaging time, we propose a deep neural network to map aliased input images into desired alias-free images. The input of the deep neural network is all voxels in the aliased lines of multi-channel real and imaginary images from the subsampled k-space data, and the desired output is all voxels in the corresponding alias-free line of the root-sum-of-squares of multi-channel images from fully-sampled k-space data. Aliasing artifacts in an image reconstructed from subsampled data were reduced by line-by-line processing of the learned MLP architecture.
To reduce metal-induced artifacts, we propose a deep neural network based on supervised learning. The neural network is trained to map two distorted images obtained by dual-polarity readout gradients into a distortion-free image obtained by fully phase encoding. Simulated data were utilized to substitute real MR data for training.
In addition, an unsupervised learning method is proposed for a deep neural network architecture, consisting of a deep neural network and an MR image generation module. The architecture is trained as an end-to-end process without the use of distortion-free images or off-resonance frequency maps. The deep neural network estimates frequency-shift maps between two distorted images that are obtained using dual-polarity readout gradients. From the estimated frequency-shift maps and two distorted input images, distortion-corrected images are obtained with the MR image generation module.
Phantom and in vivo experiments were performed to compare the quality of reconstructed images. The proposed methods outperform the compared methods in quantitative and qualitative evaluations.
긴 영상 획득 시간과 금속 물질에 의한 아티팩트는 자기공명영상의 주요 문제들이다. 본 논문에서는 이러한 문제를 극복하기 위해 심층 학습을 적용하였다. 각 문제에 적합한 심층 신경망이 제안되고, 불충분한 훈련 데이터, 과적합, 최적화 등 수반되는 문제들이 해결 및 분석 되었다.
긴 영상 시간을 가속화하기 위해, 가속화된 앨리어스 입력 영상을 원하는 가속없는 영상으로 매핑하기 위한 심층 신경망을 제안한다. 심층신경망의 입력은 서브샘플링된 k-스페이스 데이터로부터 얻어낸 다채널 데이터의 실제 및 가상 이미지의 앨리어싱 라인에 있는 모든 복셀이며, 원하는 출력은 완전히 샘플링된 k-스페이스 데이터에서 다채널 이미지로부터 합쳐진 앨리어싱 라인 방향으로의 모든 복셀이다. 서브샘플링된 데이터로부터 재구성된 영상의 아티팩트는 학습된 네트워크의 라인별 처리에 의해 제거되었다.
금속에 의한 아티팩트를 줄이기 위해, 지도 학습에 기반한 심층 신경망을 제안한다. 제안하는 신경망은 이중 극성 경사자기장을 이용하여 얻은 왜곡된 두개의 영상을 완전 위상 인코딩으로 얻은 왜곡 없는 영상으로 매핑하도록 훈련한다. 모의실험된 데이터는 실제 자기공명 영상 데이터를 훈련용으로 대체하기 위해 사용되었다.
또한 심층신경망 구조와 자기공명 영상 생성 모듈로 구성된 심층신경망 구조를 제안하였다. 제안하는 구조는 왜곡이 없는 영상이나 이탈 공명 영상을 사용하지 않고 비지도학습 방법으로 훈련된다. 심층신경망은 이중 극성 경사자기장을 이용하여 얻은 두 왜곡 영상 사이의 주파수 이동 영상을 추정한다. 추정된 주파수 이동 영상과 두 개의 왜곡 입력 영상으로부터 자기공명 영상 생성 모듈을 사용하여 왜곡이 보정된 영상을 얻는다.
팬텀과 생체내 실험은 재구성된 이미지의 품질을 비교하기 위해 수행되었다. 제안된 방법들은 비교된 방법들보다 정량적, 정성적 평가에서 좋은 성능을 보였다.
