Incorporation of prior knowledge into dynamic MRI reconstruction

Abstract

Magnetic Resonance Imaging (MRI) is a non-ionizing modality providing superior soft tissue contrast and high-resolution cross-sectional images, which is beneficial for image guidance in minimally invasive interventions. Dynamic MRI is a fast MR imaging technique used for assessing physiological changes during interventions. Nevertheless, to obtain high temporal resolution for dynamic MRI, the compromise between spatial resolution and temporal resolution, known as a spatio-temporal trade-off, is unavoidable. State-ofthe- art fast imaging employs various methods. However, most available methods utilize iterative computations, making them unsuitable for interventions. Along with the advanced deep-learning techniques, super-resolution (SR) algorithms are promising for restoring high-resolution images with a fast inference speed. Moreover, prior knowledge, which refers to the information available before the current study, such as high-resolution planning scans or temporal redundancy in dynamic images, could help achieve MR high-resolution images but are typically neglected. Therefore, this thesis presents a method to alleviate the trade-off by incorporating prior knowledge with SR into dynamic MRI reconstruction to generate high spatial and high temporal resolution with less-than-complete data. The study investigates the incorporation of prior information into two deep learning based SR frameworks: Fine-tuned SR DynMRI and DDoS-UNet DynMRI. The Fine-tuned SR DynMRI makes use of a high-resolution planning scan as prior-knowledge for fine-tuning the patched-based SR reconstruction. Furthermore, the DDoS-UNet DynMRI adds additional temporal information to the SR network by employing dual-channel training of static and dynamic abdominal MR images at different time-points. The performance of both proposed methods was evaluated with different in-plane undersampled levels. The investigated results show that the Finetuned SR DynMRI approach achieve the average SSIM value of the highest undersampling (6.25% of the k-space) before and after fine-tuning, which are 0.939±0.008 and 0.957±0.006, respectively. The DDoS-UNet DynMRI approach shows the ability to reconstruct even higher undersampling of 4% of the k- space with the average SSIM of 0.951±0.017. Finally, this thesis demonstrates the utilization of prior knowledge for reconstructing dynamic MRI using the proposed SR frameworks, which can tackle the spatio-temporal trade-off in MRI.

Magnetresonanztomographie (MRT) ist eine nichtionisierende Modalität, die einen überlegenen Weichteilkontrast und hochauflösende Schnittbilder liefert, was für die Bildführung bei minimal-invasiven Eingriffen von Vorteil ist. Dynamische MRT ist eine schnelle MR-Bildgebungstechnik, die zur Beurteilung physiologischer Veränderungen während interventioneller Eingriffe verwendet wird. Um eine hohe zeitliche Auflösung in dynamischen MRT-Aufnahmen zu erhalten, ist der Zielkonflikt zwischen räumlicher Auflösung und zeitlicher Auflösung, der als räumlich-zeitlicher Kompromiss bekannt ist, unvermeidlich. Die moderne schnelle Bildgebung umfasst verschiedene Methoden, von denen die meisten jedoch iterative Berechnungen verwenden, was sie daher für Interventionen ungeeignet macht. Zusammen mit fortschrittlichen Deep-Learning-Techniken sind Superauflösungsalgorithmen (SR) vielversprechend für die Rekonstruktion hochauflösender Bilder mit schneller Inferenzgeschwindigkeit. Zudem kann Vorwissen wie etwa hochauflösende Planungsscans oder zeitliche Redundanz in dynamischen Bildern in der Rekonstruktion berücksichtigt werden. Ziel diese Dissertation ist, den Zielkonflikt zu mildern, indem Vorwissen zusammen mit SR in die dynamische MRT-Rekonstruktion integriert wird, um eine hohe räumliche und hohe zeitliche Auflösung mit unter-abgetasteten Daten zu erzeugen. Die Arbeit untersucht die Einbeziehung von Vorinformationen in zwei auf Deep Learning basierende SR-Frameworks: Fine-tuned SR DynMRI und DDoS-UNet DynMRI. Das Fine-tuned SR DynMRI nutzt einen hochauflösenden Planungsscan als Vorwissen zum Feintuning der Patch-basierten SRRekonstruktion. Darüber hinaus zielt das DDoS-UNet DynMRI darauf ab, die zusätzlichen zeitlichen Informationen in das SR-Netzwerk einzubeziehen, indem es ein zweikanaliges Training von statischen und dynamischen Bildern der verschiedenen Zeitpunkte einsetzt. Die Leistung beider vorgeschlagenen Verfahren wurde mit unterschiedlichen dem Feintuning bewertet. Die untersuchten Ergebnisse zeigten, dass der Fine-tuned SR DynMRI-Ansatz den durchschnittlichen SSIM-Wert der höchsten Unterabtastung (6,25% des k-Raums) vor und nach der Feinabstimmung von 0,939±0,008 bzw. 0,957±0,006 erreichte. Der DDoS-UNet DynMRI-Ansatz zeigte die Fähigkeit, noch höheres Undersampling von 4% des k-Raums mit der durchschnittlichen SSIM von 0,951±0,017 zu rekonstruieren. Zusammenfassend demonstriert diese Dissertation die Nutzung von Vorwissen zur Rekonstruktion dynamischer MRT unter Verwendung der vorgeschlagenen SR-Frameworks, welches eine Erhöhung der räumlichen und zeitlichen Auflösung erlaubt.