物理指导 自主监督 暗示神经表示 为了加速 $\text{T}_{1\rho }$ 映射

科学领域:

• 磁共振成像 (MRI) 是一种磁共振成像技术.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 定量T1rho映射对于临床和研究应用很有价值,但由于采集时间长,它受到限制.
• 目前用于加速MRI参数映射的深度学习方法通常需要不切实际的全样本训练数据集.
• 解决对高效和实用的加快定量MRI技术的需求对于临床采用至关重要.

研究的目的:

• 开发一种新的扫描特定的,自我监督的深度学习方法,用于加速定量T1rho映射.
• 为了重建T1rho加权图像,并从高度低采样的k空间数据生成T1rho地图.
• 通过消除对全样本培训数据的需求,克服现有方法的局限性.

主要方法:

• 提出了一种利用隐式神经表示的自我监督方法,仅使用时空坐标作为输入.
• 该方法通过T1rho映射的物理模型引导学习一个隐含的神经表征.
• 两个明确的先验被纳入:信号放松和k-t空间数据自我一致性.

主要成果:

• 该方法使用回顾性和前性低样本k空间数据进行了验证.
• 实现了高达14的高速加速度因子,大大减少了扫描时间.
• 在文物抑制和实现更低的重建错误方面超越了最先进的方法.

结论:

• 拟议的扫描特定的自我监督方法使得高度加速的定量T1rho映射.
• 这种方法克服了在临床环境中要求完全采样训练数据的不切实际性.
• 该技术显示了提高MRI中T1rho映射的效率和适用性的巨大潜力.