基于深度学习的MRI重建使用人工里埃转换网络 (AFTNet)
Yanting Yang1, Yiren Zhang1, Zongyu Li1
1Department of Biomedical Engineering, Columbia University, 500 W. 120th Street #351, New York, 10027, NY, United States.
Computers in biology and medicine
|May 6, 2025
概括
人工里埃转换网络 (AFTNet) 使用复杂值的深度学习直接处理频率域数据,以实现卓越的加速MRI重建. 这种创新方法增强了图像重建,并为各种成像和光谱逆向问题的解决方案.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 信号处理 信号处理
背景情况:
- 深层复杂值神经网络 (CVNNs) 在基于阶段的应用中表现出色,但尚未完全探索频率域影响.
- 传统的加速MRI重建通常使用大小图像或将真实/虚拟k空间数据分开.
研究的目的:
- 引入一个统一的复杂值深度学习框架,人工里埃转换网络 (AFTNet).
- 允许使用复杂值运算在频域中直接处理原始k空间数据.
- 开发频率和图像领域的跨领域学习方法.
主要方法:
- 开发了AFTNet,结合了多领域学习和CVNN.
- 直接在频率域中处理原始k空间数据.
- 利用复杂值运算在频率和图像域之间进行跨域映射.
主要成果:
- 与现有方法相比,AFTNet实现了卓越的加速MRI重建.
- 在磁共振谱学 (MRS) 重建中表现出有效性.
- 展示了对各种对比和临床前研究数据集的适用性.
结论:
- AFTNet提供了一种创新的替代方案,用于解决成像和光谱学中的反向问题.
- 该框架为临床前研究提供了有价值的预处理组件.
- 使用CVNN直接处理频域数据可以提高重建质量.
