用NLINV-Net进行自我监督学习,以改善无校准的辐射MRI.
Moritz Blumenthal1,2, Chiara Fantinato1, Christina Unterberg-Buchwald2,3,4
1Institute of Biomedical Imaging, Graz University of Technology, Graz, Austria.
Magnetic resonance in medicine
|July 31, 2024
概括
一个新的神经网络,NLINV-Net,使无校准的MRI重建,没有地面真相数据. 在实时心脏和定量T1映射应用中,它显著降低了噪音并提高了图像质量.
科学领域:
- 磁共振成像 (MRI) 是一种磁共振成像技术.
- 医疗成像中的人工智能
- 图像重建算法 图像重建算法
背景情况:
- 无校准MRI重建对于缺乏地面真相数据的应用至关重要.
- 现有的方法,如非线性反转 (NLINV) 和并行成像与压缩传感 (PI-CS) 有局限性.
研究的目的:
- 开发NLINV-Net,一种新型的神经网络,用于改进无校准的辐射MRI数据重建.
- 通过数据低采样 (SSDU) 使用自我监督来实现没有地面真相数据的培训.
主要方法:
- 在NLINV-Net中,使用非线性反转,从k空间数据中直接估计图像和线圈灵敏度.
- 通过数据低样本 (SSDU) 进行自我监督有助于在没有基础真相的情况下进行培训.
- 区域优化虚拟 (ROVir) 线圈被用于抑制文物并集中损失函数.
主要成果:
- 与传统的NLINV相比,NLINV-Net的重建表明噪声明显减少.
- ROVir线圈有效地抑制了条纹文物,焦点损失改善了心脏成像中的时间分辨率.
- 定量T1地图显示质量与PI-CS相当,不需要切片特定的调整.
结论:
- NLINV-Net为无校准MRI重建提供了一种多功能解决方案.
- 该方法对于具有挑战性的成像场景特别有价值,在这些场景中,地面真相数据是不可用的.


