可泛化,序列不变的深度学习图像重建用于子空间受限的定量MRI

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 磁共振 (MR) 多任务实现动态生理映射.
• 从不同的MR脉冲序列中重建图像对深度学习模型来说是一个挑战.
• 现有的方法经常在交叉序列概括性和数据稀缺性方面扎.

研究的目的:

• 开发一个深度子空间学习网络,能够在各种MR脉冲序列中运行.
• 为了提高MR多任务图像重建的性能和通用性.

主要方法:

• 开发了一个对比不变的组件对组件 (CBC) 网络,并与时空多组件 (MC) 网络进行了比较.
• 实验包括匹配序列 (对同一序列进行培训/测试) 和不匹配序列 (交叉序列) 的评估.
• 一个通用CBC网络被训练在混合序列 (T1,T1-T2,T1-T2脂肪分数) 的重建.

主要成果:

• 与MC网络相比,CBC网络在所有实验条件下表现明显优越 (较低的正常化根平均平方误差).
• CBC表现出增强的概括性,在无匹配序列测试中表现出较小的性能退化.
• 一个单一的通用CBC网络成功地重建了所有测试的脉冲序列的图像,其性能与序列特定模型相比.

结论:

• 空间特征的对比不变学习,而不是时空特征,改善了MR多任务图像重建.
• CBC方法提高了模型性能,概括性,并解决了数据稀缺问题.
• 这种深度子空间学习框架提供了一条通往普遍的途径,在各种MR成像序列中进行监督的重建.