DPP:与波编码并行成像之前的深度阶段
Congcong Liu1,2, Zhuo-Xu Cui3, Sen Jia1
1Paul C Lauterbur Research Center for Biomedical Imaging, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, Guangdong, People's Republic of China.
Physics in medicine and biology
|April 12, 2024
概括
这项研究引入了一个新的深度神经网络用于磁共振 (MR) 成像,以准确估计波编码的背景阶段,改善图像质量并实现更快的扫描. 该方法增强了与虚拟结合线圈并行成像中的相位特征.
科学领域:
- 磁共振 (MR) 成像 磁共振 (MR) 成像
- 医学成像物理 医学成像物理
- 医学诊断中的深度学习
背景情况:
- 具有波编码的当前磁共振 (MR) 平行成像在准确表征背景相方面面临局限性,原因是依赖自动校准信号 (ACS) 数据.
- 这种校准过程限制了全面和精确的背景阶段估计,影响了整体图像质量和加速能力.
研究的目的:
- 开发一种新的深度神经网络模型,用于在MR波编码中准确地估计背景相位.
- 在深度学习框架内集成虚拟联线圈 (VCC) 扩展,以增强相位表征.
- 通过克服传统校准方法的局限性来提高并行成像的性能.
主要方法:
- 一个深度神经网络模型,以深度阶段先验为指导,并结合虚拟合线圈 (VCC) 扩展被提出.
- 该模型隐式地使用解码器卷积神经网络来描述背景阶段,利用阶段平滑性和紧支特性.
- 额外的先验,包括潜图像传输稀疏性和线圈灵敏度光滑性,被整合到波编码中.
主要成果:
- 与传统技术相比,拟议的方法在背景阶段和线圈灵敏度图 (CSM) 表示方面表现出优异的性能.
- 获得了最佳的定量指标 (PSNR/SSIM/NMSE) 的44.1359dB/0.9863/0.0008为4倍加速度和41.2074/0.9846/0.0017为5倍加速度.
- 在各种下样采样模式和MRI序列 (T1,T2,T2*) 中展示了概括性,并且在加速相位敏感SWI成像中显著优于竞争方法.
结论:
- 开发的深度学习方法可以在VCC和波编码框架内精确地描述背景阶段.
- 经验发现和理论分析支持该方法在加速MRI成像方面的有效性和稳定性.
- 拟议的方法为加速MRI成像提供了显著的进步,特别是在像SWI这样的相位敏感应用中.
