IWNeXt:一个基于ConvNeXt的图像波小域网络,用于自我监督的多对比MRI重建

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 磁共振成像是一种磁共振成像技术.

背景情况:

• 多对比MRI (MC MRI) 提供了全面的解剖细节,但与单对比MRI相比,其获得时间较长.
• 目前用于MC MRI重建的深度学习方法通常需要完全采样的目标对比数据,并且可能会忽略在稀疏域中参考对比的有价值的先前信息.
• 传统的CNN在捕捉非本地依赖性方面扎,原因是受感场有限,影响了重建质量.

研究的目的:

• 开发一个自我监督的,跨领域的深度学习框架,用于加速MC MRI重建.
• 为了提高重建的准确性,并减少对完全采样的目标对比图像的依赖.
• 改进在重建的MC MRI扫描中捕获非局部信息和高频细节.

主要方法:

• 提出了一个基于ConvNeXt的图像波形域网络 (IWNeXt),用于自主监督的MC MRI重建.
• 采用单独的基于ConvNeXt的网络 (INeXt和WNeXt) 来分别进行图像和波形域重建.
• 集成的参考对比波段子频段和一个新的注意力ConvNeXt块,用于增强特征提取和非局部信息捕获.
• 实现了跨域的一致性损失,包括频率,图像和波形域损失,用于自主监督学习.

主要成果:

• 在HCP和M4Raw数据集上的实验验证表明了卓越的性能.
• 与DuDoRNet相比,拟议的IWNeXt模型在峰值信号噪声比率上实现了1.651dB的改进.
• 该方法有效地以增强的细节和准确性重建低样本的MC MRI数据.

结论:

• IWNeXt为MC MRI重建提供了一个有前途的跨领域方法.
• 该方法提高了重建的准确性,并减少了对完全采样目标对比度数据的需求.
• 这种技术有可能在保持高图像质量的同时显著加速MC MRI采集.