Deep learning-based image optimization for low-field MRI

Abstract

Point-of-care low-field MRI systems become increasingly interesting in modern medicine because of their small footprint and cost-effective profile. The portability of such devices poses new challenges, as they are often operated under uncontrolled and changing environmental conditions. The low magnetic field (50mT) and the high B0 field inhomogeneities, in combination with temperature fluctuations, and electromagnetic interferences culminate in a poor signal-to-noise ratio and severe image artifacts. The current state of research lacks suitable and robust correction methods that can be implemented directly into point-of-care devices using high-performance computing systems. In this work, the combination of a novel, highly adaptable MR console and deep learning based image reconstructions is presented and evaluated to boost the imaging performance of point-of-care low-field MRI devices. The console shows comparable in vivo imaging results to state-of-the-art proprietary systems with additional features such as a fully transparent acquisition process, integration of auxiliary sensors and direct application of deep-learning based image reconstruction techniques. By combining data driven image denoising and B0 field prediction with model-based image reconstruction, a physics-informed end-to-end reconstruction network is introduced and evaluated for low-field MRI. The proposed method outperforms conventional reconstruction techniques based on the training and evaluation with simulated low-field MRI data. However, when the model is applied to real in vivo low-field MRI data, considerable challenges are identifiable. To address these challenges, a conventional regularization approach is combined with the estimation of regularization parameter maps by a neural network in an iterative approach in order to optimize image denoising. Thereby, the applicability of the neural network to real low-field MRI data could be improved. Finally, it could be shown that a model trained with supervision can be adapted to other data by applying a subsequent self-supervised refinement step. By integrating the methods and strategies presented in this work, low-field MRI image quality is successfully improved, enhancing its diagnostic value for future clinical applications.

Niedrigfeld MRT Systeme für die Point-of-Care Anwendung erfreuen sich aufgrund ihres geringen Platzbedarfs und ihrer kostengünstigen Nutzung an zunehmendem Interesse in der modernen Medizin. Die Mobilität derartiger Systeme birgt jedoch neue Herausforderungen, da sie unter anderem bei veränderlichen und unkontrollierten Umgebungsbedingungen betrieben werden. Das niedrige Magnetfeld (50mT) und die hohen B0 Feldinhomogenitäten in Kombination mit Temperaturschwankungen und elektromagnetischen Interferenzen resultieren in einem schlechten Signal-zu-Rausch-Verhältnis und starken Bildartefakte. Im aktuellen Stand der Forschung fehlen passende und robuste Korrekturverfahren, die mit leistungsfähigen Computersystemen direkt in Point-of-Care-Geräte implementiert werden können. In dieser Arbeit, wird eine neuartige, anpassbare MR Konsole in Kombination mit Deep Learning-basierter Bildrekonstruktion vorgestellt und evaluiert, um die Bildgebungsleistung von Point-of-Care-Niedrigfeldsystemen zu optimieren. Die Konsole erlaubt In-vivo Bildgebung, die mit proprietären Systemen auf dem neuesten Stand der Technik vergleichbar ist, und ermöglicht darüber hinaus zusätzliche Funktionen wie einen vollständig transparenten Akquisitionsprozess, die Integration zusätzlicher Sensoren sowie die direkte Anwendung Deep-Learning-basierter Bildrekonstruktionstechniken. Durch die Kombination von datengetriebener Rauschunterdrückung und B0 Feldschätzung mit modellbasierter Bildrekonstruktion wird ein physikalisch-informiertes End-to-End- Rekonstruktionsnetzwerk für die Niedrigfeld-MRT vorgestellt und evaluiert. Die vorgeschlagene Methode übertrifft konventionelle Rekonstruktionsverfahren basierend auf Training und Evaluation mit simulierten Niedrigfeld-MRT-Daten. Bei der Anwendung auf reale in vivo Niedrigfeld-MRT-Daten, wurden jedoch erhebliche Herausforderungen identifiziert. Um diese Herausforderungen zu adressieren, wird ein alternativer Ansatz untersucht, der konventionelle Regularisierung mit der Schätzung von Regularisierungsparameterkarten durch ein neuronales Netzwerk in einem iterativen Ansatz kombiniert, um die Rauschunterdrückung zu optimieren. Dadurch konnte die Übertragbarkeit des neuronalen Netzes auf reale Niedrigfeld-MRT-Daten verbessert werden. Schließlich konnte gezeigt werden, dass ein mit Supervision trainiertes Modell durch einen nachfolgenden selbst überwachten Verfeinerungsschritt an andere Daten angepasst werden kann. Durch die Integration der in dieser Arbeit vorgestellten Methoden und Strategien wird die Bildqualität der Low- Field-MRT erfolgreich verbessert, wodurch ihr diagnostischer Wert für zukünftige klinische Anwendungen gesteigert wird.