ترجمه فارسی مقاله StoDIP: بازسازی کارآمد تصویر MRF سه‌بعدی با استفاده از پیشین‌های تصویر عمیق و تکرارهای تصادفی

چکیده

Magnetic Resonance Fingerprinting (MRF) is a time-efficient approach to quantitative MRI for multiparametric tissue mapping. The reconstruction of quantitative maps requires tailored algorithms for removing aliasing artefacts from the compressed sampled MRF acquisitions. Within approaches found in the literature, many focus solely on two-dimensional (2D) image reconstruction, neglecting the extension to volumetric (3D) scans despite their higher relevance and clinical value. A reason for this is that transitioning to 3D imaging without appropriate mitigations presents significant challenges, including increased computational cost and storage requirements, and the need for large amount of ground-truth (artefact-free) data for training. To address these issues, we introduce StoDIP, a new algorithm that extends the ground-truth-free Deep Image Prior (DIP) reconstruction to 3D MRF imaging. StoDIP employs memory-efficient stochastic updates across the multicoil MRF data, a carefully selected neural network architecture, as well as faster nonuniform FFT (NUFFT) transformations. This enables a faster convergence compared against a conventional DIP implementation without these features. Tested on a dataset of whole-brain scans from healthy volunteers, StoDIP demonstrated superior performance over the ground-truth-free reconstruction baselines, both quantitatively and qualitatively.

چکیده به فارسی (ترجمه ماشینی)

اثر انگشت رزونانس مغناطیسی (MRF) یک روش کارآمد برای MRI کمی برای نقشه برداری بافت چند قطبی است.بازسازی نقشه های کمی به الگوریتم های متناسب برای از بین بردن آثار باستانی آلیاژ از جمع آوری MRF نمونه برداری شده نیاز دارد.در رویکردهای موجود در ادبیات ، بسیاری از آنها صرفاً بر بازسازی تصویر دو بعدی (2D) تمرکز می کنند ، و غفلت از گسترش اسکن های حجمی (3D) با وجود اهمیت بالاتر و ارزش بالینی آنها.دلیل این امر این است که انتقال به تصویربرداری سه بعدی بدون کاهش مناسب ، چالش های قابل توجهی ، از جمله افزایش هزینه محاسباتی و نیازهای ذخیره سازی و نیاز به مقدار زیادی از داده های حقیقت (عاری از Artefact) برای آموزش را نشان می دهد.برای پرداختن به این موضوعات ، ما STODIP را معرفی می کنیم ، یک الگوریتم جدید که بازسازی تصویر عمیق بدون حقایق قبل از زمین (DIP) را به تصویربرداری MRF 3D گسترش می دهد.STODIP از به روزرسانی های تصادفی با حافظه در سراسر داده های MRF Multicoil ، یک معماری با دقت انتخاب شده شبکه عصبی و همچنین تحولات FFT غیر یکام سریعتر (NUFFT) استفاده می کند.این امکان همگرایی سریعتر را در مقایسه با اجرای DIP معمولی بدون این ویژگی ها امکان پذیر می کند.StoDip بر روی مجموعه ای از اسکن های کل مغز از داوطلبان سالم ، عملکرد برتر را نسبت به پایه های بازسازی عاری از حقایق ، هم از نظر کمی و هم از نظر کیفی نشان داد.