加速された3D LGE MRIのための統合型超解像を組み込んだ展開型再構成

概要:
加速された3D遅延ガドリニウム増強（LGE）MRIは、アンダサンプリングされたk-spaceデータから薄い心房構造を回復するために頑健な再構成法を必要とします。展開型のモデルベースネットワークは、物理主導のデータ整合性と学習済み事前情報を効果的に統合しますが、取得解像度で動作し、高周波のディテールを完全に回復できない場合があります。
私たちは、ハイブリッドな展開再構成フレームワークを提案します。このフレームワークでは、Enhanced Deep Super-Resolution (EDSR) ネットワークが最適化ループの各反復内の近接演算子を置換し、共同の超解像強化とデータ整合性の確保を可能にします。
本モデルは、回顧的にアンダサンプリングされた前臨床3D LGEデータセット上でエンドツーエンドに学習され、圧縮センシング、モデルベースのディープラーニング（MoDL）、および自己ガイド付き Deep Image Prior（DIP）のベースラインと比較されます。
さまざまな加速因子にわたり、提案手法は標準の展開再構成より一貫してPSNRとSSIMを高め、微細な心臓構造の保持を改善し、左心房（LA）のセグメンテーション性能を向上させます。
これらの結果は、超解像の事前情報をモデルベースの再構成内に直接組み込むことが、加速された3D LGE MRIにおいて測定可能な利得をもたらすことを示しています。