快速MRI成像的知识驱动深度学习:从监督到无监督学习的低样本MR图像重建
Shanshan Wang1, Ruoyou Wu1, Sen Jia1
1Paul C Lauterbur Research Center for Biomedical Imaging, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Magnetic resonance in medicine
|April 16, 2024
概括
深度学习 (DL) 通过使用神经网络进行图像重建来加速磁共振成像 (MRI). 本综述探讨了将DL与MRI物理结合在一起的挑战和解决方案,从而推进可靠的成像系统.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 磁共振成像 (MRI) 是一种磁共振成像技术.
背景情况:
- 深度学习 (DL) 是加速MRI获取和重建的强大工具.
- 由于基于物理的过程和数据属性,MRI重建存在独特的挑战,与自然图像恢复不同.
- 整合领域知识与数据驱动的DL方法对于准确的MRI至关重要.
研究的目的:
- 审查快速MRI的知识驱动DL的重大挑战.
- 介绍基于DL的MRI重建的显著解决方案和趋势.
- 讨论MR供应商的采用,开放问题,以及对可靠的MRI系统在DL的未来方向.
主要方法:
- 对MRI中DL应用的现有文献的审查.
- 分析基于知识的DL方法,包括神经网络架构.
- 学习范式的检查:MRI重建中的监督,半监督和无监督学习.
主要成果:
- 在将DL应用于MRI的基于物理的性质方面发现了关键挑战.
- 突出了域知识与DL模型的成功整合.
- 记录了学习策略从监督到无监督方法的演变.
结论:
- 知识驱动的DL为加速MRI提供了显著的潜力.
- 解决特定的MRI挑战需要定制的DL解决方案和学习策略.
- 未来的研究应该专注于针对基于DL的强大可靠的MRI系统的开放问题.
