使用SCAMPI提高低样本MRI的无数据库神经网络重建的质量和速度

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 对于MRI重建的深度学习模型通常需要在大型数据集上进行广泛的培训.
• 这种训练过程可能会导致过度拟合,模型在训练期间没有看到的数据上表现不佳.
• 未训练的神经网络通过从重建任务本身直接学习提供了一个替代方案.

研究的目的:

• 介绍SCAMPI (Sparsity Constrained Application of deep Magnetic resonance Priors for Image reconstruction),这是一个未经训练的深度神经网络,用于MRI重建.
• 扩大深度图像优先方法的多域,稀疏度强制损失函数.
• 与现有方法相比,实现更高的图像质量和更快的融合.

主要方法:

• 利用来自FastMRI数据集的二维MRI数据,并采用卡特西亚底样.
• 重建了单线圈和多线圈采集的各种加速度数据.
• 将SCAMPI与最先进的压缩传感方法和ConvDecoder网络进行了比较.

主要成果:

• SCAMPI在降低低样本人工物和错误指标方面表现出卓越的性能,特别是在多线圈成像中.
• 与先进的损失函数相结合的U-Net架构导致了比ConvDecoder更快的融合和更高的图像质量.
• 在没有明确的线圈灵敏度配置知识的情况下,SCAMPI成功地重建了多线圈数据,并且对单线圈k空间数据有效.

结论:

• SCAMPI的未经训练的性质防止过度适应数据集特定特征,因为网络参数仅根据重建数据进行调整.
• 与基线未经训练的神经网络方法相比,这种方法实现了优异的结果和更快的重建时间.
• SCAMPI提供了一种新且有效的工具,用于重建低样本的MRI数据.