MRI 引导放疗中基于神经网络的实时图像重建研究
医学物理
2024-10-03 v2 计算机视觉与模式识别
图像与视频处理
摘要
能够动态调整辐射束以实时跟踪肿瘤运动的 MRI 引导技术将带来更精准的癌症治疗并减少对周围健康组织的附带损伤。欠采样 MR 数据重建的金标准是压缩感知（CS），但其计算速度慢，限制了图像可用于实时自适应的速率。在此，我们展示了使用流形近似自动变换（AUTOMAP）——一种将原始 MR 信号映射到目标图像域的通用框架——从欠采样的径向 k 空间数据快速重建图像。AUTOMAP 神经网络在肺癌患者数据和来自 ImageNet 的通用图像上进行了训练，以从黄金角度径向采集（运动敏感成像的基准）中重建图像。随后，模型训练使用来自 YouTube-8M 数据集的视频衍生的运动编码 k 空间数据进行增强，以鼓励运动鲁棒的重建。我们发现，在对回顾性采集的肺癌患者数据进行初步微调后，AUTOMAP 重建的径向 k 空间图像具有与 CS 相当的准确性，但处理时间大大缩短。使用虚拟动态肺肿瘤模型对运动训练模型进行验证表明，从 YouTube 学到的通用运动特性提高了目标跟踪精度。我们的工作表明，AUTOMAP 可以实现径向数据的实时、精确重建。这些发现意味着，对于实时图像引导应用，基于神经网络的重建方法可能优于现有方法。
引用
@article{arxiv.2202.05267,
title = {On Real-time Image Reconstruction with Neural Networks for MRI-guided Radiotherapy},
author = {David E. J. Waddington and Nicholas Hindley and Neha Koonjoo and Christopher Chiu and Tess Reynolds and Paul Z. Y. Liu and Bo Zhu and Danyal Bhutto and Chiara Paganelli and Paul J. Keall and Matthew S. Rosen},
journal= {arXiv preprint arXiv:2202.05267},
year = {2024}
}
备注
12 pages, 6 figures, 1 table. v2 has a typo in eqn 1 corrected and references added to the discussion