深度展开的细分网络用于采样不足的磁共振图像

科学领域:

• 医学成像医学成像
• 人工智能的人工智能是人工智能.
• 图像处理 图像处理

背景情况:

• 磁共振 (MR) 图像细分对于疾病诊断至关重要.
• 临床MRI图像通常是从未采样的k空间数据重建的,导致文物和细分精度降低.
• 现有的细分方法无法应对被采样不足的MR数据所带来的挑战.

研究的目的:

• 提出一个端到端的深度展开框架,直接从样本不足的MR k空间数据对病变或器官进行细分.
• 开发一种新的模型,结合基于压缩感应的重建和水平设置细分.
• 通过整合图像光滑的L0规范和边界损失函数来增强细分性能.

主要方法:

• 开发了一个深度展开的细分网络 (DUSNet) 通过展开一个从增强拉格朗的方法衍生的代算法.
• 集成的压力传感重建与水平设置细分,利用L0规范来保持边缘和边界.
• 引入了边界损失函数,以改善边缘细节的捕获和施加几何约束.

主要成果:

• 拟议的DUSNet有效地通过端到端的培训从未采样的k空间数据对目标地区进行细分.
• L0规范规范化和边界损失函数显著提高了下游细分性能.
• 综合性实验证实,DUSNet在采样不足的MR图像中,与最先进的方法相比,实现了更高的细分精度.

结论:

• DUSNet提供了一种有效的解决方案,用于细分样本不足的MR图像,解决当前方法的局限性.
• 该框架展示了深度展开的潜力,用于整合图像重建和细分任务.
• 拟议的方法实现了最先进的性能,为改善临床MR图像分析铺平了道路.