FDuDoCLNet:用于并行MRI重建的完全双域对比学习网络

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:

• 磁共振成像 (MRI) 对于软组织成像至关重要,但其采集速度较慢,需要更快的重建技术.
• 深度学习 (DL) 方法在MRI重建方面表现有前途,但往往忽视多域特征或过度强调单个域,导致信息丢失.
• 现有的双域方法可能难以在重建的MR图像中平衡全球结构和局部细节.

研究的目的:

• 开发一种加速的MRI重建方法,有效地利用图像和波形域的信息.
• 解决当前基于DL的MRI重建的局限性,特别是忽视了多种频率特征和双域分析的不平衡.
• 引入一种新的网络架构,其灵感来源于波纹理论的升降方案,以提高重建性能.

主要方法:

• 提出了一个基于变异网络 (VarNet) 的完全双域对比学习网络 (FDuDoCLNet).
• 网络架构中的集成级联式双域规范化单元和数据一致性 (DC) 层.
• 引入了一种新的双域对比损失函数,通过考虑图像和波形域特征来优化重建.
• 从波纹理论中利用提升方案来增强特征提取和表示.

主要成果:

• 在快速MRI多线圈膝关节数据集上,FDuDoCLNet实现了 34.439 dB 的峰值信号噪声比 (PSNR) 和 0.895 的结构相似度指数 (SSIM) 测量.
• 在6×加速度因子下,证明了MRI重建的有效加速.
• 通过分析跨双域的特征,展示了网络保留全球结构和细节的能力.

结论:

• 拟议的FDuDoCLNet有效地加速MRI重建,同时保持高图像质量.
• 双域分析,特别是具有对比学习的双域分析,比单域或较少集成的双域方法具有显著的优势.
• FDuDoCLNet代表了医学图像重建的深度学习的有希望的进步,特别是加速MRI扫描.