使用深度学习的辐射低样本MRI重建,在K空间的真实和虚构组件之间具有相互约束的深度学习

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:

• 低采样磁共振 (MR) 成像加速数据采集,但降低了图像质量.
• 现有的深度学习方法往往忽视了k空间数据的真实和虚构组件之间的相互依赖.
• 高质量的MRI图像重建对于准确诊断至关重要.

研究的目的:

• 提出一个新的复杂值卷积神经网络,Dense-U-Dense Net (DUD-Net),用于改进MR图像重建.
• 解决当前深度学习方法在处理复杂值k空间数据方面的局限性.
• 为了提高低采样MR图像的质量,同时减少采集时间.

主要方法:

• 开发了Dense-U-Dense Net (DUD-Net),这是一个集密层和U-Net架构的复杂值卷积神经网络.
• DUD-Net模拟真实和虚构组件之间的相互约束,并执行特征稀疏性和插值估计.
• 利用大脑和膝盖MRI数据集,使用相位调制进行复杂的图像合成,并使用黄金角辐射轨迹进行下面采样.
• 引入了用于k空间数据平衡的可逆规范化方法.

主要成果:

• 与现有方法相比,DUD-Net在重建大小和相位MR图像方面表现出卓越的性能.
• 定量评估显示了显著的改善:PSNR大小增加10.78dB,相位图像增加5.74dB.
• 根平均平方误差 (RMSE) 降低了大小的71.53%和相位图像的30.31%,表明改进了重建的准确性.

结论:

• DUD-Net有效地通过利用复杂值数据和结合相互约束来重建低样本的MR图像.
• 拟议的方法在MR图像重建质量和效率方面取得了重大进展.
• 在不影响诊断准确性的情况下,DUD-Net有望加速MRI成像程序.