快速机器学习图像重建辐射低样本 k 空间数据的低延迟实时MRI
Johanna Topalis1,2,3, Jakob Dexl1,3, Katharina Jeblick1,3
1Department of Radiology, LMU University Hospital, LMU Munich, Munich, Germany.
PloS one
|November 17, 2025
概括
一个新的机器学习 (ML) 模型从低样本的k空间数据加速了磁共振 (MR) 图像重建. 这种方法可以显著减少重建时间,同时保持图像质量,从而实现实时应用.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 图像重建 图像的重建
背景情况:
- 快速获取和重建数据对于实时磁共振成像至关重要.
- 像MR指导干预等应用需要高时间分辨率.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,以加快辐射低样本二维k空间MR数据的重建.
- 在图像质量和速度方面,评估ML模型与传统重建方法的性能.
主要方法:
- 一个k-space-to-image ML模型,使用单个完全连接的线性层进行辐射到笛卡尔插值,然后进行反向快速里叶变换.
- 关于合成自然图像的培训和对合成数据 (R=2-10) 和来自两个系统 (0.35T和1.5T) 的真实MR数据的评估.
- 与非代零填充非均快速里埃变换 (NUFFT) 和压缩传感 (CS) 重建进行比较.
主要成果:
- 在合成数据上,ML模型在合成数据上实现了比NUFFT更低的中位数平均平方误差 (MSE).
- ML重建时间比NUFFT快,比CS快得多.
- 该ML模型证明了对真实MR数据的概括性,与传统方法相比,重建时间显著缩短.
结论:
- 拟议的ML模型有效地重建MR数据,减少了文物和极短的重建时间.
- 这种ML方法非常适合快速,低延迟,实时MR应用.
- 该模型为加速MR图像重建的传统方法提供了一个有希望的替代方案.
