深度图像先验与结构化的稀疏性 (讨论) 动态MRI重建.
Muhammad Ahmad Sultan1, Chong Chen1, Yingmin Liu1
1The Ohio State University.
概括
本研究介绍了DISCUS,这是一种自主监督的深度学习方法,用于动态MRI重建. DISCUS有效地通过发现潜在的时间变化来重建图像,而不需要预先指定多重维度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像重建 图像的重建
背景情况:
- 高质量的训练数据通常无法用于动态MRI.
- 重建动态图像需要有效捕捉时间变化.
研究的目的:
- 提出一种自我监督的深度学习方法,DISCUS,用于动态MRI重建.
- 为了应对动态MRI训练数据有限的挑战.
- 在没有先前的维度规范的情况下发现时间变化的低维多元.
主要方法:
- 开发了DISCUS (Deep Image Prior with Structured Sparsity),是一种自我监督的深度学习方法.
- DISCUS 共同优化网络参数和输入代码向量.
- 在特定框架的代码向量上包含组稀疏性,以发现时间动态.
主要成果:
- 通过使用动态幻象和患者数据的数值研究验证了DISCUS.
- DISCUS成功地在模拟数据中发现了多重维度.
- 在LGE幻影和患者数据重建中表现优于传统的压缩传感 (CS) 和深度图像先验 (DIP).
结论:
- DISCUS为动态MRI重建提供了一个强大的方法,特别是在有限的训练数据的情况下.
- 在DISCUS中结构化的稀疏性方法增强了真正的多重维度的发现.
- 与CS和DIP等现有方法相比,DISCUS提供了显著的性能提升.


