学习的k空间分区用于优化自我监督的MRI重建
概括
这项研究引入了一种用于自主监督磁共振成像 (MRI) 重建的新方法,该方法学习最佳数据分区,提高了样本不足的临床扫描的性能和适应性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 自主监督磁共振成像 (MRI) 重建方法训练深度学习网络没有完全采样的参考数据.
- 现有的通过数据不足抽样 (SSDU) 的自主监督方法使用启发式k空间分区,从而导致低于最佳的性能和变化的不足抽样模式的不灵活性.
研究的目的:
- 在自我监督的MRI重建中开发一种学习最佳k空间分区的新方法.
- 提高自我监督MRI重建方法的性能和适应性.
主要方法:
- 通过使用LOUPE框架建模概率分布,提出了一种学习最佳k空间分区的新方法.
- 引入了一个加权的双域自主监督损失函数,包括k空间和图像空间损失术语.
主要成果:
- 拟议的双域学习分区方法在快速MRI数据集上优于现有的分区策略.
- 该方法适应新的采样模式,而不需要手工挑选的分区方法.
结论:
- 学习的k空间分区为自主监督的MRI重建提供了卓越的性能和适应性.
- 这种方法可以直接应用于采样不足的临床MRI数据,从而消除了对完全采样数据集的需求.
