Prospective and deep learning based retrospective motion correction for brain magnetic resonance imaging

Abstract

Magnetic Resonance Imaging (MRI) is one of the most important medical imaging technique used every day world wide for clinical and research purposes, (1). It’s a non-invasive method and uses non ionising radiation. Compared with other imaging techniques, such as Computed Tomography, MRI requires a longer acquisition time. The long acquisition times can lead to have images degraded in term of quality, because, subjects tend to move. The motion during the scan is the cause of blurring and ghosting in the MR images. To avoid or to limit the presence of motion artefacts (blurring or ghosting), there are available several approaches, such as Prospective Motion Correction (PMC), (2), Retrospective Motion Correction (RMC) methods, etc.. The first part of this thesis work is aimed at assessing the impact of the prospec- tive motion correction using an in-bore optical tracking system, in case of high- resolution structural imaging in regime of quasi-no motion. All the work was car- ried out at ultra high field MRI, 7T. The structural imaging is only about ultra high resolution imaging using several types of image weighting, specifically: T1, T2, T ∗ 2 and PD, (sections 1 and 4). Considering the tremendous amount of attention received by machine and deep learning over the last few years when applied to medical imaging, in this thesis work it is also presented a second part where several preliminary deep learning ret- rospective based motion artefacts detection and correction approaches were tested, once more only for structural brain imaging. There are two sections, one dedicated to the Image Quality Assessment (IQA) based on the Structural Similarity Index Measure (SSIM) prediction through a deployment of a neural network and one last section containing the application of several neural networks (i.e. Residual Net- work (ResNet) and U-Network (U-Net)) for the retrospective correction of motion artefacts.

Die MRT ist eine der wichtigsten medizinischen Bildgebungsmethoden, die täglich weltweit weltweit zu klinischen und Forschungszwecken eingesetzt wird (1). Es handelt sich um eine nicht-invasive Methode, bei der keine ionisierende Strahlung verwendet wird. Verglichen mit anderen bildgebenden Verfahren, wie z. B. der Computertomografie, benötigt die MRT eine längere Aufnahmezeit. Die langen Aufnahmezeiten können zu einer Verschlechterung der Bildqualität führen Qual- ität der Bilder führen, da sich die Probanden oft bewegen. Die Bewegung während des Scans ist die Ursache für Unschärfe und Geisterbilder in den MR-Bildern. Um das Vorhandensein von Bewegungsartefakten zu vermeiden oder zu begren- zen Bewegungsartefakte (Unschärfe oder Geisterbilder) zu vermeiden oder zu be- grenzen, gibt es verschiedene Ansätze, wie PMC, (2), RMC-Methoden, etc. Der erste Teil dieser Arbeit zielt darauf ab, die Auswirkung der prospektiven Bewe- gungskorrektur mit Hilfe eines optischen Verfolgungssystems in der Bohrung bei hochauflösender struktureller Bildgebung in einem Zustand, in dem quasi keine Bewegung stattfindet, zu bewerten. Die gesamte Arbeit wurde am Ultrahochfeld- MRT (7T) durchgeführt. Bei der strukturellen Bildgebung geht es ausschließlich um die ultrahochauflösende Bildgebung unter Verwendung verschiedener Arten der Bildgewichtung, insbesondere: T1, T2, T*2 und PD, (Abschnitte 1 und 4). In Anbetracht der enormen Aufmerksamkeit, die maschinelles Lernen und Deep Learning in den letzten Jahren bei der Anwendung auf die medizinische Bildge- bung erhalten hat, wird in dieser Arbeit auch ein zweiter Teil vorgestellt, in dem mehrere vorläufige, auf tDeep Learning basierende retrospektive Ansätze zur Erken- nung und Korrektur von Bewegungsartefakten getestet wurden, wiederum nur für strukturelle Aufnahmen des Gehirns. Dieser Teil gliedert sich in zwei Abschnitte: Einerseits der automatischen Quantifizierung der Bildqualität durch ein Convolu- tional Neural Network auf Basis der Schätzung von Structural Similarity (SSIM) Indices und andererseits der Anwendung von neuralen Netzen wie Redidual Net- works und U-Nets für die retrospektive Korrektur von Bewegungsartefakten.