DPFNet:基于双域并行融合网络的多线圈MRI的快速重建

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 生物医学工程 生物医学工程

背景情况:

• 多线圈磁共振成像 (MRI) 重建面临着诸如细节不足和高计算成本等挑战.
• 现有的深度学习方法在训练和重建准确性期间经常与记忆占用作斗争.

研究的目的:

• 提出一个新的网络,双域并行融合重建网络 (DPFNet),以实现高效和高质量的多线圈MRI重建.
• 解决当前MRI重建技术中细节重建和记忆使用的局限性.

主要方法:

• 开发了一个DPFNet,包括线圈灵敏度图估计,双域特征提取,错误校正和融合模块.
• 利用U-Net的骨干,在图像和k空间领域同时重建了低样本的MRI图像和k空间数据.
• 引入了双域一致性损失,以最大限度地减少图像和k空间域输出之间的错误.

主要成果:

• 在Calgary-Campinas-359脑MRI数据集上,DPFNet表现出了最先进的性能.
• 与传统算法和其他基于深度学习的方法相比,实现了优越的重建质量.
• 展示了卡特西安采样模式的特别优秀的重建结果.

结论:

• 拟议的DPFNet有效地提高了多线圈MRI重建的质量和效率.
• DPFNet为克服MRI图像重建的当前局限性提供了一个有前途的解决方案.
• 双域方法和一致性损失是DPFNet高级性能的关键.