CS-MRI重建使用改进的GAN与扩展的剩余网络和通道注意力机制
Xia Li1, Hui Zhang1, Hao Yang1
1College of Information Engineering, China Jiliang University, Hangzhou 310018, China.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一种新的生成对抗网络 (GAN),用于更快的压缩传感 (CS) MRI重建. 新型号提高了图像质量和稳定性,而不增加复杂性,为高效的MRI提供了一个有前途的解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 压缩感应 (CS) MRI加速图像采集,但需要复杂的重建技术.
- 深度学习,特别是生成对抗网络 (GAN),显示了CS-MRI重建的前景.
- 深度学习中模型复杂度的增加可能会导致更长的重建时间和融合问题.
研究的目的:
- 开发一种新的,高效的基于GAN的模型,用于压缩感应MRI重建.
- 为了提高重建速度和质量,而不会增加模型复杂度.
- 提高CS-MRI重建的稳定性和性能.
主要方法:
- 一个基于U-net的发电机架构,结合了扩展的残余 (DR) 网络,以扩大接收场,而不会增加计算负载.
- 集成一个频道注意力机制 (CAM) 来完善频道信息并减少噪音.
- 使用公共领域的人类大脑MRI数据集和废除研究进行实验验证.
主要成果:
- 拟议的DR-CAM-GAN模型在CS-MRI重建中表现出卓越的性能.
- 整合DR网络和CAM提高了峰值信号噪声比 (PSNR) 约1.2dB和0.8dB,分别在10倍加速.
- 与U-net相比,该模型在结构相似度指数 (SSIM) (14%) 和PSNR (15%) 中取得了显著的收益,平均平方误差 (MSE) 减少了2至7的因素.
结论:
- 新的DR-CAM-GAN模型提供了一种有效的方法来提高压缩传感MRI重建的效率和质量.
- 集成DR网络和CAM有助于提高图像质量和重建稳定性.
- 这种模型为需要更快,更准确的MRI扫描的临床应用提供了有希望的进步.
