快速MRI使用深度学习重建在低采样k空间数据上的新兴趋势:系统性审查

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机科学 计算机科学

背景情况:

• 磁共振成像 (MRI) 提供了优越的软组织对比度,但受到了长时间的获取时间.
• 并行MRI和压缩传感 (CS) 通过k空间低采样减少扫描时间.
• 深度学习 (DL) 与低样本MRI的整合重新定义了快速MRI重建.

研究的目的:

• 系统地审查和分析深度学习模型,以快速进行MRI重建.
• 突出最近深度MRI重建方法的关键元素,优点和弱点.
• 为加速核磁共振的未来研究方向提供见解.

主要方法:

• 按照PRISMA指导方针进行系统文献审查 (SLR).
• 在Web of Science和Scopus数据库中搜索相关研究.
• 提取并分析了各种深度学习技术的数据,用于MRI重建.

主要成果:

• 分析包括残留学习,编码器解码器架构,数据一致性,解卷网络,学习激活,注意力,插入和运行先验,扩散模型和贝叶斯方法的技术.
• 讨论损失函数和对抗训练,以加强重建.
• 探索诸如非卡特西安式重建,超分辨率,动态MRI和定量映射等应用.

结论:

• 深度学习显著推进了快速的MRI重建,提高了图像质量和采集速度.
• 本综述是加速MRI的研究人员和开发人员的资源.
• 未来的方向强调在深度MRI重建中强大的概括和文物处理.