通过变异网络和特征域学习加速MRI重建

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 低采样MRI加速扫描时间,但降低图像质量.
• 端到端 (E2E) 变异网络 (VarNets) 显示出对MRI重建的前景.
• 现有的方法与显著低样本的工件作斗争.

研究的目的:

• 引入对VarNet的架构修改,以改善低样本MRI重建.
• 在加速MRI中增强图像质量,清晰度和解剖细节.
• 为了在更高的加速度因子下实现临床上可接受的MRI重建.

主要方法:

• 实现了使用N通道特征空间传播的特征VarNet.
• 整合了一个对卡特西安低样本文物敏感的注意层.
• 通过结合Feature和E2E VarNets开发了功能图像 (FI) VarNet,用于跨领域的学习.
• 在快速MRI数据集上评估重建,使用定量指标和放射学家评分.

主要成果:

• 特征和FI VarNets在4x,5x和8x的卡特西安低采样中表现优于E2E VarNet.
• 在公开的快速MRI排行榜上,FI VarNet在4倍低采样方面获得了第二名.
• 放射科医生评价FI VarNet重建的质量更高,比E2E VarNet更清晰.
• FI VarNet展示了包括血管在内的解剖细节的优越保存.

结论:

• 拟议的FI VarNet显著提高了低样本MRI的重建质量.
• 与E2E VarNet相比,FI VarNet可以更好地保存解剖细节.
• 这种方法可以在更高的加速度因子下实现临床可行的MRI.