一种用于并行成像与压缩感知 MRI 重建的深度学习方法
图像与视频处理
2022-12-20 v2 计算机视觉与模式识别
摘要
并行成像利用接收线圈阵列获取额外的灵敏度信息，从而减少相位编码步数，加速 MRI 数据采集。由于比并行成像所需数据更少，压缩感知磁共振成像（CS-MRI）在医学成像领域日益流行。并行成像与压缩感知（CS）均减少了 k 空间中的数据量，从而加速传统 MRI 采集。由于采集时间与采样数成反比，由缩减的 k 空间采样重建图像可加快采集速度，但会产生混叠伪影。为对重建图像去混叠，本文提出一种名为 RECGAN-GR 的新型生成对抗网络（GAN），其以多模态损失进行监督。相较于现有 GAN 网络，我们提出的方法引入了新颖的生成器网络 RemU-Net，其集成了双域损失函数（如加权幅值与相位损失函数）以及基于并行成像的 GRAPPA 一致性损失。作为精炼学习，我们提出一个 k 空间校正模块，使 GAN 网络自身抵抗生成不必要数据，从而加速重建过程。综合结果表明，所提 RECGAN-GR 不仅将 PSNR 较基于 GAN 的方法提升 4 dB，也较文献中现有的单线圈数据 SOTA CNN 方法提升 2 dB。该工作显著改善了低保留数据下的图像质量，实现五到十倍的更快采集。
引用
@article{arxiv.2209.08807,
title = {A Deep Learning Approach for Parallel Imaging and Compressed Sensing MRI Reconstruction},
author = {Farhan Sadik and Md. Kamrul Hasan},
journal= {arXiv preprint arXiv:2209.08807},
year = {2022}
}
备注
13 pages, 11 figures