射线磁共振图像的重建,使用一个深度展开的投影快速代软值网络
Biao Qu1, Jialue Zhang2, Taishan Kang3
1Pen-Tung Sah Institute of Micro-Nano Science and Technology, Xiamen University, Xiamen, China.
Computers in biology and medicine
|November 24, 2023
概括
这项研究引入了一个深度解卷的神经网络,用于更快的磁共振成像 (MRI) 重建. 新的pFISTA-DR方法显著改善了图像细节的保存,并减少了文物,与现有技术相比,取得了更好的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像重建 图像的重建
背景情况:
- 通过辐射下样本加速磁共振成像 (MRI) 对于临床效率至关重要.
- 在加速MRI重建过程中保存图像细节仍然是一个重大挑战.
研究的目的:
- 开发一个深度解卷的神经网络,以增强辐射采样MRI中的稀疏图像重建.
- 使用深度学习方法模拟预测的快速软值算法 (pFISTA).
主要方法:
- 设计了一种用于深辐射核磁共振 (pFISTA-DR) 的新型未卷 pFISTA 网络.
- 该方法包含一个预处理模块,用于卷轴灵敏度图和初始图像精细化.
- 可学习的卷积波器和适应值被用于特征提取和文物移除.
主要成果:
- 与其他方法相比,pFISTA-DR显示出优越的图像重建质量.
- 拟议的网络实现了最高的峰值信号噪声比 (PSNR) 和结构相似度指数 (SSIM).
- pFISTA-DR导致了最小的重建错误,表明有效的文物抑制.
结论:
- 开发的pFISTA-DR网络为加速MRI重建提供了有效的解决方案.
- 像pFISTA这样的代算法的深度展开显示了提高MRI图像质量和速度的巨大希望.
- 这种方法通过增强细节保存和减少文物来推进医疗图像重建领域.
