以信任为导向的方法,用侧面信息对MR图像重建进行信任导向的方法

科学领域:

• 医学成像和计算科学.
• 开发用于磁共振成像 (MRI) 的先进深度学习算法.

背景情况:

• 核磁共振扫描加速对于改善患者护理和降低医疗保健费用至关重要.
• 从稀疏的k空间数据中重建诊断质量的图像涉及解决错位的线性反向问题 (LIP).
• 预先的知识,如规范化或辅助数据 (侧面信息),对于解决LIP中的模两可是必不可少的.

研究的目的:

• 介绍信任导向变化网络 (TGVN),这是一个端到端的深度学习框架,用于将侧面信息集成到LIP中.
• 为了证明TGVN在多线圈,多对比度MRI重建中的有效性,使用样本不足的数据.

主要方法:

• 开发了一个端到端的深度学习框架,TGVN,将辅助数据 (侧面信息) 集成到MRI重建中.
• 从一个MRI对比度中利用不完整或低SNR测量作为侧信息,从未采样的数据中重建另一个对比度的高质量图像.
• 将TGVN应用于多线圈,多对比度MRI重建任务.

主要成果:

• TGVN有效且可靠地将侧面信息集成到MRI重建的线性反向问题中.
• 与使用侧面信息的基线方法相比,实现了优越的图像质量.
• 即使在高加速水平下,也保留了微妙的病理特征,在不同的对比度,解剖学和场强度中表现出强度.
• 显著减少了获取时间,同时最大限度地减少了图像工件 (幻觉).

结论:

• TGVN提供了一种强大而有效的深度学习解决方案,以加速MRI采集.
• 该框架成功地利用辅助数据来提高图像质量和保存诊断信息.
• TGVN有可能大大加快MRI扫描的速度,从而改善患者护理和降低医疗保健成本.