使用隐式神经表示加速为特定患者的非卡特西安磁共振成像重建.
Di Xu1, Hengjie Liu2, Xin Miao3
1Radiation Oncology, University of California, San Francisco, California.
International journal of radiation oncology, biology, physics
|September 7, 2025
概括
一种名为k空间生成对抗训练INR (k-GINR) 的新方法提高了加速MRI重建的质量. 这种深度学习方法提高了图像质量,特别是在高加速度系数下,为传统方法提供了更快的替代方案.
科学领域:
- 磁共振成像 (MRI) 是一种磁共振成像.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 加速MRI对于图像导向疗法至关重要.
- 压缩传感 (CS) 和深度学习方法 (如CNN/变形机) 在模拟连续k空间方面存在局限性,特别是在非卡特西安采样方面.
- 隐式神经表示 (INR) 可以模拟频域中的连续信号,使其适合任意k空间采样.
研究的目的:
- 开发新的k空间生成-对抗训练INR (k-GINR) 以进行新的低样本非卡尔提斯式k空间重建.
- 评估k-GINR的性能与现有的重建方法相比.
主要方法:
- k-GINR采用两阶段的方法:对患者队列进行监督培训,然后进行自我监督的患者特定优化.
- 为了测试,使用了StarVIBE T1加权肝脏数据集 (118次扫描).
- k-GINR与基于INR的方法 (NeRP,k-NeRP),深层布CNN和CS进行了比较.
主要成果:
- 与基线方法相比,k-GINR的性能优于基线方法,特别是在高加速度时 (例如,在20倍加速度时,PSNR高29.3%-60.5%).
- 重建时间具有竞争力,k-GINR大约为3分钟,与NeRP和k-NeRP相比,在某些方面比CS和Deep Cascade CNN更快.
- 在各种加速度因子中观察到峰值信号与噪声比率 (PSNR) 的显著改善.
结论:
- k-GINR是一个创新的两阶段INR网络,用于直接的非卡特西安k空间重建.
- 与CS和Deep Cascade CNN相比,该方法实现了优越的图像质量,即使在高加速度比下也是如此.
- 在临床环境中,k-GINR为加速MRI重建提供了一个有前途的解决方案.
