重新可见的双域自我监督的深度展开网络用于MRI重建

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:

• 磁共振成像 (MRI) 采集是耗时的,限制了其临床效用.
• 现有的深度学习加速方法需要广泛的全样本数据来进行监督培训.
• 自主监督的方法面临着输入分配转移和图像先验的不足整合的挑战.

研究的目的:

• 开发一种新的自我监督的深度展开网络,用于加速MRI采集,仅使用不足样本的数据集.
• 解决当前自我监督学习方法中固有的输入分配转移问题.
• 通过有效地整合成像物理和图像先验来提高MRI重建性能.

主要方法:

• 提出了一个可见的双域自我监督的深度展开网络.
• 整合了可见的双域损失,以利用所有未被采样的k空间数据,减轻训练推理分布转移.
• 开发了基于Chambolle和Pock近点算法 (DUN-CP-PPA) 的深度展开网络,并使用空间频率特征提取 (SFFE) 块进行端到端重建.

主要成果:

• 拟议的方法有效地减轻了输入分布转移,利用所有可用的未采样的k空间数据.
• 通过SFFE块整合成像物理和全面的图像先验,显著提高了重建性能.
• 单线圈和多线圈数据集的实验结果表明,与最先进的方法相比,重建质量和概括能力更好.

结论:

• 这种新型的自我监督的深度展开网络为加速MRI采集提供了一个有前途的解决方案,而不需要完全采样数据.
• 重新可见的双域方法和DUN-CP-PPA架构有效地解决了以前自我监督方法的局限性.
• 该方法实现了最先进的性能,为更高效和广泛应用的MRI技术铺平了道路.