无线网络的计算高效隐式训练策略 (IMUNNE):使用加速实时心脏影像MRI的初步分析

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 磁共振成像技术 磁共振成像技术

背景情况:

• 动态MRI重建,特别是多线圈系统,是一个复杂的反向问题.
• 无线网络提供最先进的MRI重建,但需要大量的训练时间和GPU内存.
• 现有的方法在平衡重建速度,图像质量和计算资源方面面临挑战.

研究的目的:

• 引入一种新的培训策略,即IMplicit UNrolled NEetworks (IMUNNE),用于高度低样本的多线圈动态MRI重建.
• 为高效的深度网络训练,将MRI重建构成一个隐含的固定点方程,可用梯度近似来解决.
• 为了评估IMUNNE在实时电影MRI中的性能,使用前性低采样的辐射k空间数据.

主要方法:

• 通过将MRI重建作为一个隐含的固定点方程来开发IMUNNE.
• 采用梯度近似用于反向传播,使固定内存的深度网络训练成为可能.
• 在实时电影MRI数据集上验证了该方法,将其与复杂U-Net (CU-Net) 和交替无网络 (Alt-UN) 进行比较.

主要成果:

• 与CU-Net和Alt-UN相比,IMUNNE显示的图像质量优于或相似.
• 与Alt-UN.相比,训练和推断时间显著减少.
• 在噪声干扰下展示了强度,使用多个图像质量指标进行评估.

结论:

• 该IMUNNE战略有效地应用无线网络来重建高度加速的实时辐射影像MRI.
• 隐式培训为心脏MRI (CMR) 提供了一种快速,高质量和成本效益的方法.
• 免疫解决了当前方法的局限性,为更高效和更容易获得的动态MRI铺平了道路.