DCT-net:用于MRI重建的双域交叉融合变压器网络
Bin Wang1, Yusheng Lian2, Xingchuang Xiong3
1National Institute of Metrology, Beijing 100029, China; Key Laboratory of Metrology Digitalization and Digital Metrology for State Market Regulation, Beijing 100029, China; School of Printing and Packaging Engineering, Beijing Institute of Graphic Communication, Beijing 102600, China.
Magnetic resonance imaging
|January 18, 2024
概括
本研究介绍了DCT-Net,这是一种用于更快地进行磁共振成像 (MRI) 重建的深度学习方法. 通过整合双域信息,DCT-Net提高了图像质量,克服了采样不足数据的挑战.
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:
- 磁共振成像 (MRI) 面临着长时间扫描和运动工件的挑战.
- 采样不足的k空间获取加速了MRI,但使详细的图像恢复复杂化.
- 现有的重建方法难以从加速的MRI数据中检索细节.
研究的目的:
- 介绍DCT-Net,这是一种用于双域MRI重建的新型深度学习框架.
- 提高通过加速采样获得的MRI图像的质量和准确性.
- 解决当前方法在从未采样的k空间数据中重建精细细节的局限性.
主要方法:
- 开发了DCT-Net,这是一种用于双域MRI重建的深度学习模型.
- 综合图像重建域 (IRM) 和频率重建域 (FRM) 的信息.
- 利用了新的交叉注意力块 (CAB) 和融合注意力块 (FAB) 来进行特征提取和自适应融合.
主要成果:
- 在定性和定量评估中,DCT-Net表现出卓越的表现.
- 该框架通过整合双域信息,有效地提高了重建的图像质量.
- 废弃研究证实了CAB和FAB模块对重建准确性的重大贡献.
结论:
- 在加速MRI重建方面,DCT-Net提供了显著的进步.
- 具有注意力机制的双域方法有效地捕捉了独特的特征,以提高图像质量.
- 拟议的方法在高加速度下对膝盖和大脑成像的基准数据集的现有技术的性能优于现有技术.
