使用空间和时间隐性神经表示学习 (STINR-MR) 的3D电影磁共振成像

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 计算解剖学的计算解剖学

背景情况:

• 3D电影MRI对于研究解剖学动力学至关重要,但由于采样不足的k空间数据,它面临着挑战.
• 重建高分辨率的动态体积图像需要先进的技术来克服获取速度的限制.

研究的目的:

• 开发和评估一种新的机器学习框架,STINR-MR,用于从高度不足的数据中准确地进行3D电影MRI重建.
• 为了改善动态MRI中的空间和时间分辨率,同时减少文物.

主要方法:

• STINR-MR采用联合重建和可变形注册方法,使用空间和时间隐式神经表示 (INR).
• 它重建了一个参考框架3DMR图像和一个运动模型,利用从主要组件分析中获得的基础变形向量场 (DVF).
• 一个时间INR编码时间点来生成时间解析的运动场,用于电影特定的动态.

主要成果:

• STINR-MR成功地重建了具有高时间 (<100毫秒) 和空间 (3毫米) 分辨率的3D电影MR图像.
• 与MR-MOTUS和TEMPEST相比,该方法显示出更高的图像质量和更少的文物.
• 它显著提高了瘤定位的准确性,XCAT幻影研究的平均误差为0.9 ± 0.4毫米.

结论:

• STINR-MR提供了一个轻量级,高效的"一拍子"框架,用于准确的3D电影MRI重建.
• 该方法避免了深度学习中常见的概括性问题,因为不需要外部预训练数据.
• STINR-MR能够准确捕捉不规则的运动模式,从而推进动态体积成像.