一个跨域复杂卷积神经网络用于低样本磁共振图像重建

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:

• 从低样本的k空间数据进行磁共振成像 (MRI) 重建对于更快的扫描至关重要.
• 现有的深度学习方法在图像和k空间领域的特征提取方面面临挑战.
• 当前的跨领域方法在与同时的特征提取和融合相斗争.

研究的目的:

• 介绍TEID-Net,一个新的跨域复杂卷积神经网络,用于准确的MR图像重建.
• 解决现有重建方法在特征提取和文物减少方面的局限性.
• 为了提高由低采样k空间数据重建的MR图像的质量.

主要方法:

• 提出了一个基于深度学习的2D单线圈复杂值MR重建网络,TEID-Net.
• 集成了三个模块:TE-Net (图像域,纹理增强模块),ID-Net (中间域,别名化工件减少),以及级联的TEID-Net.
• 利用快速MRI和卡尔加里-坎皮纳斯数据集进行广泛的实验验证.

主要成果:

• TEID-Net有效地减轻了低样本诱导的文物,产生高质量的MR图像重建.
• 拟议的网络在图像重建质量方面胜过了几种最先进的方法.
• 在恢复组织结构和复杂的纹理细节方面,TEID-Net表现出卓越的性能,参数较少.
• 这种方法对于常规的卡特西安低样本场景特别有效.

结论:

• TEID-Net代表了基于深度学习的MR图像重建的重大进展.
• 跨域方法有效地整合了图像和k空间领域的特征.
• TEID-Net为高保真度MR图像重建提供了一个有前途的解决方案,特别是在低采样环境中.