数据和物理驱动的基于深度学习的快速MRI重建:基本原理和方法
IEEE reviews in biomedical engineering
|October 22, 2024
概括
磁共振成像 (MRI) 的加速正在迅速推进. 新的数据和物理驱动模型提高了速度和质量,提高了患者的舒适度和复杂扫描中的诊断准确度.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 计算成像技术的成像
背景情况:
- 磁共振成像 (MRI) 对于临床诊断至关重要.
- 延长的MRI扫描时间会对患者的体验和图像质量产生负面影响,特别是在体积,时间和定量成像方面.
- 加快MRI采集是医学成像中的一个重大挑战.
研究的目的:
- 审查MRI加速技术的最新进展.
- 探索数据驱动和物理驱动模型的集成,以实现更快的MRI.
- 讨论MRI重建的挑战和未来方向.
主要方法:
- 对数据驱动模型的审查,包括算法展开,基于增强,插即用和生成模型.
- 探索基于物理学的方法,如并行成像和同时多切片成像.
- 对优化的采样模式和硬件加速的分析.
主要成果:
- 在使用各种AI和基于物理的模型的MRI加速方面取得了重大进展.
- 数据和物理模型的协同集成提高了重建性能.
- 确定关键挑战,如数据异质性和模型概括.
结论:
- 先进的MRI加速方法显示出改善临床工作流程的巨大前景.
- 解决数据协调和联合学习方面的挑战对于更广泛的适用性至关重要.
- 未来的研究应该专注于在现实世界MRI场景中增强模型概括和性能.
