Scalable magnetic resonance fingerprinting: Incremental inference of high dimensional elliptical mixtures from large data volumes
Résumé
Magnetic Resonance Fingerprinting (MRF) is an emerging technology with the potential to revolutionize radiology and medical diagnostics. In comparison to traditional magnetic resonance imaging (MRI), MRF enables the rapid, simultaneous, non-invasive acquisition and reconstruction of multiple tissue parameters, paving the way for novel diagnostic techniques. In the original matching approach, reconstruction is based on the search for the best matches between in vivo acquired signals and a dictionary of high-dimensional simulated signals (fingerprints) with known tissue properties. A critical and limiting challenge is that the size of the simulated dictionary increases exponentially with the number of parameters, leading to an extremely costly subsequent matching. In this work, we propose to address this scalability issue by considering probabilistic mixtures of high-dimensional elliptical distributions, to learn more efficient dictionary representations. Mixture components are modelled as flexible ellipitic shapes in low dimensional subspaces. They are exploited to cluster similar signals and reduce their dimension locally cluster-wise to limit information loss. To estimate such a mixture model, we provide a new incremental algorithm capable of handling large numbers of signals, allowing us to go far beyond the hardware limitations encountered by standard implementations. We demonstrate, on simulated and real data, that our method effectively manages large volumes of MRF data with maintained accuracy. It offers a more efficient solution for accurate tissue characterization and significantly reduces the computational burden, making the clinical application of MRF more practical and accessible.
Domaines
Applications [stat.AP]
Fichier principal
2412.10173v1.pdf (5.59 Mo)
Télécharger le fichier
BIC.png (114.98 Ko)
Télécharger le fichier
HDDC.png (104.94 Ko)
Télécharger le fichier
bic_hdgmm.jpg (18.51 Ko)
Télécharger le fichier
bic_hdstm.png (25.21 Ko)
Télécharger le fichier
bic_scores_vasc.png (86.54 Ko)
Télécharger le fichier
comparison.png (2.1 Mo)
Télécharger le fichier
convol.png (153.76 Ko)
Télécharger le fichier
dim_hdgmm.png (112.63 Ko)
Télécharger le fichier
dim_hdstm.png (125.57 Ko)
Télécharger le fichier
err_comp.png (69.83 Ko)
Télécharger le fichier
err_d10_k15.png (478.77 Ko)
Télécharger le fichier
err_d10_k30.png (777.84 Ko)
Télécharger le fichier
err_d10_k30_gllim.png (179.55 Ko)
Télécharger le fichier
full_fig.png (1.13 Mo)
Télécharger le fichier
graphical_HDMMED.png (191 Ko)
Télécharger le fichier
mse_scores_vasc.png (92.04 Ko)
Télécharger le fichier
pipeline.png (1.33 Mo)
Télécharger le fichier
rec_d10_k15.png (639.39 Ko)
Télécharger le fichier
rec_d10_k30_gllim.png (442.75 Ko)
Télécharger le fichier
smoothing_gllim.png (240.22 Ko)
Télécharger le fichier
ssim.png (84.71 Ko)
Télécharger le fichier
sub_0_full_matching.png (1.21 Mo)
Télécharger le fichier
sub_0_hdstm_25.png (1.34 Mo)
Télécharger le fichier
Origine | Fichiers produits par l'(les) auteur(s) |
---|---|
licence |
Origine | Fichiers produits par l'(les) auteur(s) |
---|