从双域输入中进行MR图像重建的域变换学习
Changheun Oh1, Jun-Young Chung2, Yeji Han3
1Neuroscience Research Institute, Gachon University Gil Medical Center, Incheon, 21565, Republic of Korea.
Computers in biology and medicine
|February 8, 2024
概括
这项研究介绍了ETER-net,这是一种用于更快的MRI扫描的新型深度学习模型. 它从低采样的k空间数据中重建了高质量的图像,通过减少扫描时间提高了诊断准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 磁共振成像 (MRI) 依赖于k空间数据重建来生成图像.
- 低采样k空间数据可以加速MRI采集,但需要先进的重建技术.
- 传统的逆里埃变换对于亚样本 k 空间数据是不够的.
研究的目的:
- 开发一种复杂的图像重建方法,用于MRI中低样本的k空间数据.
- 为了提高MRI重建的稳定性和准确性,从随机分样采集的k空间数据.
- 为了适应MRI中的各种k空间轨迹和加速度因子.
主要方法:
- 一个双输入深度学习网络ETER-net被训练来学习域变换,以便从低样本的k空间数据直接生成图像.
- 折叠图像被纳入作为补充输入,以提高随机子样本的重建稳定性.
- 对双RNN输入进行了修改,以处理非固定的k空间轨迹.
主要成果:
- 双输入ETER-net在图像重建方面表现出卓越的性能.
- 包括峰值信号与噪声比率 (PSNR),结构相似性指数 (SSIM) 和视觉信息真实性 (VIF) 在内的定量指标显示出显著的改善.
- 通过使用正规和不规则的采样轨迹,在4和8的加速因子上实现了有效的重建.
结论:
- 双输入ETER-net是一种有效的深度学习方法,用于从低采样k空间数据进行MRI重建.
- 这种方法提高了图像质量和稳定性,适应了各种采样模式和加速度因子.
- 在保持诊断图像质量的同时,ETER-net为加速MRI采集提供了一个有前途的解决方案.
