用更快的富里埃卷积神经网络进行加速MRI扫描的图像重建

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:

• 加快磁共振成像 (MRI) 扫描对于临床实践至关重要.
• 目前用于MRI重建的深度学习方法面临受感场大小的局限性,阻碍了远程信息利用和文物减轻,特别是在3D中.
• 3D MRI重建的高计算成本阻碍了进展.

研究的目的:

• 开发一种新的深度学习框架,用于高质量,加速的3DMRI重建.
• 解决现有方法中小受体场和高计算需求的局限性.
• 为了提高快速MRI技术的效率和性能.

主要方法:

• 引入更快的里埃卷积 (FasterFC) 以适应性,广泛的受感场和快速计算.
• 实施分割切片策略,以减少3D重建的计算负载.
• 开发一个单对组算法,以使用 priors 进行高效的 k 空间插值.
• 基于快速里埃卷积的单向组网络 (FAS-Net) 的建议,用于多线圈,3D快速MRI.

主要成果:

• 快速FC在2D和3DMRI重建质量方面显著改善.
• 分割切片策略有效地减少了对高分辨率3D重建的计算需求.
• 与纽约大学快速MRI和斯坦福MRI数据集上最先进的方法相比,FAS-Net实现了更高的重建性能.
• FAS-Net成功地进行了高分辨率 (320x320x256),多线圈 (8线圈) 3D快速MRI.

结论:

• 拟议的FasterFC运营商和FAS-Net框架在加速3DMRI方面取得了重大进展.
• 这些方法有效地减轻了文物,提高了重建质量,同时大大降低了计算复杂性.
• FAS-Net为高分辨率,多线圈,3D快速MRI提供了可行的解决方案,为更快,更高效的MRI扫描铺平了道路.