高维MR重建集成子空间和自适应生成模型

科学领域:

• 医疗成像医学成像
• 计算成像技术的成像
• 在成像中的机器学习.

背景情况:

• 高维磁共振成像 (MR) 呈现出重建的挑战.
• 现有的基于子空间的方法在捕捉复杂的图像变异方面存在局限性.

研究的目的:

• 开发用于高维MR图像重建的综合方法.
• 在子空间框架内利用生成模型作为适应空间先验.

主要方法:

• 提出了一种配方,将子空间模型,自适应生成图像先验和稀疏度规范化协同使用.
• 开发了一个预培训和专题网络适应策略,用于生成代表.
• 引入了一种代算法,用于联合更新子空间系数和生成模型隐性空间.

主要成果:

• 在加速MR参数映射中表现出更好的性能.
• 展示了高分辨率MR光谱成像的增强结果.
• 在这两种应用中,超越了基于子空间的最新方法.

结论:

• 该方法为高维MR图像重建提供了一种新的方法.
• 整合适应生成模型提供了有效的数据驱动空间约束.
• 强调了将数据驱动的先验与高级成像的低维建模相结合的潜力.