DM-Net:一种独立于物理模型的直接映射方法,用于无校准的多线圈MRI

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 深度学习 (DL) 显著推进了多线圈MRI重建.
• 目前的DL模型通常依赖于基于物理的方法,需要线圈灵敏度,限制性能或复杂性.
• 在没有明确的线圈灵敏度的情况下优化重建是一个关键的挑战.

研究的目的:

• 引入DM-Net,一种新的物理模型独立的DL方法用于MRI重建.
• 为了证明没有明确的线圈灵敏度输入的最佳重建性能.
• 评估DM-Net与已建立的重建方法 (如SENSE和GRAPPA) 相比.

主要方法:

• 一个密集连接的卷积网络 (DM-Net) 设计用于直接映射,内在利用线圈灵敏度和通道相关性.
• 进行比较的模型包括DMwS-Net (带有线圈灵敏度的直接映射) 和CCR-Nets (线圈逐线圈重建).
• 模型被训练并测试了来自17个受试者的5440张3D快速里埃转换 (3DFT) MRI图像.

主要成果:

• 与比较方法相比,DM-Net表现出优越的重建性能.
• 从DL模型输入中排除预计算的线圈灵敏度图的可行性得到证实.
• 展示了DM-Net对缺乏完全采样校准区域的k空间数据的适用性,这可能会提高图像质量.

结论:

• DM-Net为基于DL的MRI重建提供了一种可靠,简单和更快的方法.
• 从DL模型中排除明确的线圈灵敏度是提高性能的可行策略.
• 这项工作扩大了DL在医学图像重建中的应用范围.