使用时间卷积网络对MRI梯度系统进行建模:通过预测读出梯度错误来改进重建
Jonathan B Martin1, Hannah E Alderson1,2, John C Gore1,2,3
1Vanderbilt University Institute of Imaging Science, Vanderbilt University Medical Center, Nashville, Tennessee, USA.
Magnetic resonance in medicine
|August 19, 2025
概括
这项研究引入了一种新的卷积神经网络模型,以准确预测MRI中的非线性梯度扭曲. 这种先进的方法提高了图像质量和扩散参数映射,优于传统技术.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 磁共振成像是一种磁共振成像技术.
背景情况:
- 梯度系统的非线性在MRI数据中引入了扭曲.
- 对这些扭曲的准确建模对于定量成像至关重要.
- 现有的线性方法在捕捉复杂的非线性行为方面存在局限性.
研究的目的:
- 使用卷积网络开发一个一般的,非线性梯度系统模型.
- 为了准确预测磁共振成像 (MRI) 中的梯度扭曲.
主要方法:
- 在小型动物成像系统上测量了梯度波形.
- 训练了一个时间卷积网络 (TCN) 来预测梯度波形.
- 将网络预测集成到图像重建管道中.
主要成果:
- 在TCN准确地预测了非线性梯度系统的扭曲.
- 结合预测可以提高图像质量和扩散参数映射.
- 性能超过了名义波形和梯度冲动响应函数.
结论:
- 与线性方法相比,时间卷积网络提供了优越的梯度系统行为建模.
- 可以利用TCN来追溯纠正MRI中的梯度错误.
- 这种方法提高了定量MRI技术的准确性.


