Moderní techniky rychlé rekonstrukce MR obrazů s využitím hlubokých neuronových sítí

Abstract

Tato diplomová práce se zabývá akcelerovanou rekonstrukcí MR obrazů kolene z podvzorkovaného k-prostoru s využitím hlubokého a posilovaného učení. Teoretická část shrnuje fyzikální principy magnetické rezonance, význam k-prostoru a současné přístupy k urychlení MRI, zejména paralelní zobrazování, komprimované snímání a rekonstrukční metody založené na neuronových sítích. Praktická část navrhuje dvoustupňový systém, v němž rekonstrukční síť typu U-Net s krokem konzistence dat vytváří obraz z neúplných dat a agent posilovaného učení adaptivně vybírá dosud nezměřené sloupce k-prostoru. Stav agenta je tvořen aktuální rekonstruovanou podobou obrazu, maskou vzorkování a zbývajícím rozpočtem měření, přičemž odměna je definována přírůstkem metriky SSIM. Systém byl trénován a ověřen na veřejném datasetu fastMRI, konkrétně na jednocívkových proton-density sekvencích kolene v sagitální a koronární rovině.

Na testovací sadě dosáhl navržený systém při akceleračním faktoru $R = 4$ mediánu SSIM 0{,}8092, NMSE 0{,}00640 a PSNR 27{,}98\,dB; při $R = 6$ hodnot 0{,}7562, 0{,}00795 a 27{,}06\,dB; a při $R = 8$ hodnot 0{,}6878, 0{,}01320 a 24{,}81\,dB. Pilotní klinické hodnocení provedené třemi radiology potvrdilo diagnostickou použitelnost všech hodnocených rekonstrukcí. V doplňkovém srovnání s konvenčními metodami paralelního zobrazování vykázal navržený přístup při srovnatelných akceleracích vyšší kvalitu obrazu a menší výskyt artefaktů. Výsledky ukazují, že navržený systém je nejperspektivnější při nižších a středních akceleracích, zatímco při agresivnějším podvzorkování se výrazněji projevuje vyhlazení obrazu a ztráta jemných detailů. Práce tak potvrzuje potenciál adaptivního výběru vzorků k-prostoru pro další zkrácení MR vyšetření při zachování diagnostické použitelnosti výsledných obrazů.

This master’s thesis deals with accelerated reconstruction of knee MR images from undersampled k-space using deep learning and reinforcement learning. The theoretical part summarizes the physical principles of magnetic resonance imaging, the role of k-space, and current approaches to MRI acceleration, especially parallel imaging, compressed sensing, and reconstruction methods based on neural networks. The practical part proposes a two-stage system in which a U-Net-based reconstruction network with a data consistency step generates an image from incomplete data, while a reinforcement learning agent adaptively selects previously unmeasured k-space columns. The agent state is formed by the current reconstructed image, the sampling mask, and the remaining acquisition budget, while the reward is defined by the increment of the SSIM metric. The system was trained and evaluated on the public fastMRI dataset, specifically on single-coil proton-density knee sequences acquired in sagittal and coronal planes.

On the test set, the proposed system achieved, for an acceleration factor of $R = 4$, a median SSIM of 0.8092, NMSE of 0.00640, and PSNR of 27.98\,dB; for $R = 6$, values of 0.7562, 0.00795, and 27.06\,dB; and for $R = 8$, values of 0.6878, 0.01320, and 24.81\,dB. A pilot clinical evaluation performed by three radiologists confirmed the diagnostic usability of all assessed reconstructions. In an additional comparison with conventional parallel imaging methods, the proposed approach showed higher image quality and fewer artifacts at comparable acceleration factors. The results indicate that the proposed system is most promising at low and moderate acceleration factors, whereas more aggressive undersampling leads to more pronounced image smoothing and loss of fine details. The thesis therefore confirms the potential of adaptive k-space sampling for further shortening MRI examinations while preserving the diagnostic usability of the reconstructed images.