使用高斯过程的磁共振图像的贝叶斯式重建

科学领域:

• 医疗成像医学成像
• 计算神经科学是一种神经科学.
• 应用数学 应用数学 应用数学

背景情况:

• 加快磁共振成像 (MRI) 获取对于临床应用至关重要.
• 现有的方法如并行成像,压缩传感和深度学习都有局限性.
• 开发新的重建技术对于更快,更高质量的MRI至关重要.

研究的目的:

• 提出和演示一个贝叶斯方法来优化MRI k空间采样和重建.
• 为了利用统计图像库和高斯过程来有效地获取数据.
• 为了验证方法的性能和可跨不同数据集的可转移性.

主要方法:

• 在T1加权脑图像上使用高斯过程计算了多变量正常分布.
• 结合图像库与基于物理的函数,以保留有意义的k空间相关性.
• 采用贝叶斯优化来选择最佳的,实际的环形k空间子采样路径.
• 开发了用于新型图像重建的通用采样路径.

主要成果:

• 在只有12.5%的k空间数据中,实现了96.3%的结构相似性和<0.003的正常化平均平方误差.
• 与现有的重建方法相比,表现出优越的性能.
• 在没有再培训的情况下,成功地将重建方法应用于病理数据 (中风识别).
• 展示了该模型从健康到病态的大脑图像的固有可转移性.

结论:

• 提出的贝叶斯方法使得高效的MRI采集和重建成为可能.
• 这种方法显著减少了扫描时间,同时保持了诊断图像质量.
• 该方法的可转移性表明它在临床MRI中具有广泛的适用性,包括用于疾病检测.