图片: 扫描特定隐式表示关节线圈灵敏度和图像估计在并行MRI.

科学领域:

• 医疗成像医学成像
• 计算物理 计算物理
• 人工智能的人工智能

背景情况:

• 并行成像通过使用低采样k空间数据加速磁共振成像 (MRI) 采集.
• 从高度不足的数据中重建高质量的MRI图像仍然是一个重大挑战.
• 隐式神经表示为利用数据物理来改进重建提供了一种新的方法.

研究的目的:

• 介绍IMJENSE,一种扫描特有的隐性神经表示方法,用于高级并行MRI重建.
• 模型MRI图像和线圈灵敏度作为使用神经网络和多项式的连续函数.
• 允许从低样本的k空间数据中直接学习,而不需要完全样本的基准真相.

主要方法:

• 开发了IMJENSE,一种基于隐式神经表示的技术,用于并行MRI.
• 参数化的MRI图像和线圈灵敏度作为空间坐标的连续函数.
• 同时从稀疏的k空间测量中直接学习神经网络权重和多项式系数.

主要成果:

• 与传统和基于深度学习的重建算法相比,IMJENSE表现出更高的性能.
• 在5x和6x加速时实现了强大的图像重建,校准线有限 (4或8).
• 在极其有限的校准数据下展示了稳定性,优于监督方法.

结论:

• IMJENSE提供高质量的,扫描特定的并行MRI重建.
• 该方法具有进一步加速MRI数据采集的巨大潜力.
• 隐式神经表示提供了一个强大的范式来解决MRI中的反向问题.