使用图形卷积网络增强自我相似性的MRI重建

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 卷积神经网络 (CNN) 通过利用本地图像信息,在快速的磁共振成像 (MRI) 重建方面表现出色.
• 然而,由于受体场的有限性,CNN可能会错过非本地图像信息,从而影响重建质量.
• 这项研究通过结合图形结构来捕捉远程依赖来解决这一局限性.

研究的目的:

• 开发一个新的网络,图形卷积增强自相似性 (GCESS),以改进MRI重建.
• 有效地整合本地和非本地图像信息,以实现更可靠的图像重建.
• 为了提高重建的MRI图像的结构完整性和细节保存.

主要方法:

• 将MRI图像重建为图形格式,以提取非局部自相似性.
• 在GCESS网络中采用混合方法,将空间卷积和图形卷积结合起来.
• 在重建过程中加强图像补丁之间的非局部相似性.

主要成果:

• 与最先进的方法相比,GCESS网络在体内膝盖和大脑数据上展示了优越的文物抑制和细节保存.
• 定量分析显示,重建图像的峰值信号与噪声比率 (PSNR) 和结构相似度指数 (SSIM) 已得到改善.
• 结果在不同的采样模板中一致,验证了该方法的稳定性.

结论:

• 拟议的GCESS网络有效地结合了空间和图形卷积,以进行强大的MRI图像重建.
• 该方法放大了非局部的自我相似性,显著改善了重建图像的结构完整性.
• 实验结果证实了GCESS在文物减少和细节保存方面的优越性,与现有的方法相比.