Learning-based reconstruction methods for magnetic particle imaging

Manyetik parçacık görüntüleme (MPG), manyetik nanoparçacıkların (MNP) yüksek çözünürlük, kontrast ve kare hızı ile görüntülenmesi için yeni bir yöntemdir. Manyetik parçacık Manyetik parçacık Görüntü geriçatımı için genellikle uzun zaman alan bir kalibrasyon taraması sonucu elde edilen sistem matrisinin (SM) kullanıldığı bir tersine problem söz konusudur.Önceki kalibrasyon yöntemleri, istenen çözünürlükle eşleşen bir boyutta doldurulmuş bir MNP örneğiyle görüş alanının taranmasını içerir. Hem sistem hem de MNP ölçümündeki ideal olmayan durumları içeren bu zaman alıcı kalibrasyon taraması, pratik kullanımını engelleyen kritik bir faktördür. Buna ek olarak, oluşturulan görüntülerin kalitesi, tersine problem kötü konumlanmış olduğu için büyük ölçüde MNP dağılımı hakkındaki önsel bilgilere ve spesifik geriçatım algoritmasına bağlıdır. Önceki yaklaşımlar genellikle yinelemeli olarak görüntüyü tahmin ederken veri tutarlılığını zorlayan ölçüm modeline dayalı bir optimizasyon problemini çözer. Ancak, geleneksel elle tasarlanmış önseller, MPG görüntülerinin altında yatan karmaşık özellikleri tam olarak yakalayamazken, son zamanlarda önerilen öğrenilmiş önseller, sınırlı genelleme performansından muzdariptir. Bu sorunlara çözüm olarak, öncelikle hızlandırılmış MPG kalibrasyonu için derin öğrenmeye dayalı bir teknik öneriyoruz. Teknik, yüksek sinyal gürültü oranına (SGO) sahip SM'lerin hızlandırılmış kalibrasyonu için, dönüştürücüler tabanlı SM süper çözünürlüğüne (TranSMS) dayanır. SGO verimliliği için, daha büyük MNP örnek boyutuna sahip düşük çözünürlüklü bir SM'nin taranması önerilmektedir. İyileştirilmiş SM kestirimi için, TranSMS global bağlamsal bilgileri görüntü dönüştürücüsü yoluyla yakalarken, yerel yüksek çözünürlüklü öznitelikler için evrişimsel modül kullanır. Son olarak, önerilen bir veri tutarlılığı modülü, ölçüm bağımlılığını sağlar.TranSMS'in diğer tekniklere kıyasla hem SM kestirimi hem de müteakip görüntü geriçatımı performansını ciddi seviyede iyileştirdiği gösterilmiştir.Ardından, görüntü geriçatım kalitesini iyileştirmek amacıyla, MPG için öğrenilmiş veri tutarlılığı bloğu kullanan yeni bir fizik güdümlü derin denge tabanlı teknik önerilmektedir (DEQ-MPI). DEQ-MPI, görüntü istatistiklerinin daha iyi modellenmesi için derin operatörleri yinelemeli optimizasyon prosedürlerine yerleştirir. Ayrıca DEQ-MPI, genel görüntü geriçatım performansını iyileştirmeye yardımcı olan veri istatistiklerini daha iyi yakalamak için öğrenilmiş veri tutarlılığını kullanır. Son olarak, önceki yinelemenin-açılması tabanlı tekniklere kıyasla DEQ-MPI, yakınsanmış çıktı üzerinde eğitimi sağlayan kapalı fonksiyon katmanlardan yararlanır. Hem benzetim hem de deneysel veriler üzerindeki gösterimler, DEQ-MPI'nin, el yapımı veya öğrenilmiş önsellere dayalı tekniklere kıyasla görüntü kalitesini ve geriçatım süresini önemli ölçüde iyileştirdiğini göstermektedir.