使用高通波器来增强扫描特定学习,用于MRI重建,而无需任何额外的训练数据.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 加速MRI技术旨在减少扫描时间.
• 基于学习的重建方法,如RAKI是有希望的,但往往需要广泛的训练数据.
• 现有的方法可能会在经常采样不足的数据和高加速度因子的情况下扎.

研究的目的:

• 开发和评估一种高通过的RAKI (HP-RAKI) 方法,用于重建高质量的加速MRI图像.
• 在不需要额外的培训数据的情况下,评估HP-RAKI及其残留扩展 (HP-rRAKI) 的性能.
• 将HP-RAKI和HP-rRAKI与已建立的重建算法进行比较.

主要方法:

• 将k空间中的高通波器 (HP) 应用于定期低样本多线圈MRI扫描的中心数据.
• 通过使用HP过的k空间中心,训练了强大的人工神经网络进行k空间插值 (RAKI).
• 使用训练RAKI网络预测未获取的k空间数据,并通过反向HP过重建图像.
• 将该方法扩展到HP-rRAKI用于残余结构重建.

主要成果:

• 在没有额外的训练数据的情况下,HP-RAKI有效地从定期低采样的多线圈数据中重建了MR图像.
• 该方法表现出高性能,即使在高加速度系数下也是如此.
• HP-RAKI和HP-rRAKI与GRAPPA,HP-GRAPPA,RAKI和MW-RAKI算法进行了优质的定性和定量比较 (SSIM,PSNR).
• 当使用高通过的中央k空间数据进行训练时,重建质量更好.

结论:

• 惠普-RAKI为加速MRI重建提供了强大的解决方案,特别是当没有完全采样的训练数据时.
• 该方法提供了高质量的重建,适用于快速的MRI应用.
• HP-RAKI代表了基于学习的MRI重建低样本数据的重大进步.