DARCS:记忆效率高的深度压缩感应重建,用于加速3D全心冠状动脉MRI血管学

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 三维冠状动脉磁共振血管学 (3D CMRA) 需要先进的重建算法来减轻来自低样本数据的工件.
• 当前用于2D重建的基于滚动的深度学习方法在应用于3D场景时面临内存限制.

研究的目的:

• 为3DCMRA重建开发一种记忆效率高的深压缩传感方法.
• 通过使用预先训练的文物估计网络,引入一种新的散射变换.

主要方法:

• 拟议的脱离异名调节基于压缩传感 (DARCS),是一种记忆效率高的深压缩传感技术.
• 采用预训练的文物估计网络作为固有的散射变换.
• 将DARCS与基于补丁的低级,DAGAN,3D MoDL,plug-and-play和AI-CS方法进行比较,用于3D CMRA加速.

主要成果:

• DARCS 显示出优越的重建质量,达到比较方法大约 2 dB 的高峰信号噪声比率 (PSNR).
• 该方法在不同的低采样率,模式和噪音水平中表现出了很好的概括性.
• DARCS仅使用了3D MoDL.所需的63%的内存.

结论:

• DARCS有效地提高了3D CMRA重建质量.
• 拟议的方法可显著降低基于深度学习的图像重建的内存负担.
• 在3DCMRA中,DARCS为文物抑制和加速提供了一个有前途的解决方案.