ProxNF:用于高分辨率4D动态图像重建的神经场近距离训练

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算成像技术的成像
• 机器学习在医学成像中的应用

背景情况:

• 准确的时空图像重建对于生物医学研究至关重要,但受到数据低采样和高计算需求的阻碍.
• 现有的方法在高分辨率的3D+时间数据集的内存限制下扎.
• 神经场 (NFs) 通过将动态成像数据表示为连续函数提供了一个有前途的解决方案.

研究的目的:

• 介绍ProxNF,一种新的神经场训练方法,用于高效的时空图像重建.
• 利用近似分割方法来优化神经场参数估计.
• 为了克服动态成像中的数据不完整性和计算负担的挑战.

主要方法:

• ProxNF使用近接分割来将成像操作员的计算与神经网络参数更新脱.
• 该方法使用子样本数据评估图像域中的梯度.
• 完全监督的学习策略用于更新神经场参数.

主要成果:

• 在两个数值幻影研究中证明了有效性.
• 在小型动物模型中成功应用于体内瘤 perfusion 成像.
• 使用动态对比增强的光声学计算机断层扫描 (DCE PACT) 进行验证.

结论:

• ProxNF为空间时空图像重建提供了有效和计算效率高的解决方案.
• 拟议的方法显示了推动动态生物医学成像应用的巨大潜力.
• ProxNF成功地解决了当前动态成像重建技术的关键局限性.