在深度学习辅助的基于模型的非卡特西亚SWI非卡特西亚SWI外共振校正

科学领域:

• 磁共振成像 (MRI) 是一种磁共振成像.
• 医疗图像重建 医疗图像重建
• 医学成像中的深度学习

背景情况:

• 患者诱导的磁场不均质性会在MRI中引起人工物 (非共振),特别是在像SWI这样的长读出序列中.
• 传统的校正方法对于在临床环境中进行高分辨率,加速的3D非卡特西安多线圈采集来说太慢了.

研究的目的:

• 开发和评估一条混合管道,将基于模型和神经网络的方法结合起来,用于MRI中的加速非共振校正.
• 为了减少在苛刻的MRI采集中对外共振校正的计算时间.

主要方法:

• 使用UNets的混合管道接受了加速3D SWI SPARKLING采集的培训.
• 使用基于模型的方法和深度学习的组合进行了非共振校正.
• 性能与仅模型和仅网络管道进行了比较,使用缓慢的,基于模型的校正作为基本事实.

主要成果:

• 拟议的混合管道实现了重建速度比基线方法快两到三倍.
• 神经网络起到了预先条件的作用,并提供了代间的记忆,增强了模型设计的灵活性.
• 观察到加速因子和模型/网络组件之间的协同作用.

结论:

• 基于模型和基于网络的非共振校正的组合有效地加速了传统方法.
• 混合方法通过显著减少重建时间,显示出临床应用的前景.
• 进一步探索模型/网络协同作用可能会导致加速MRI的未来进展.