一种利用掩码图像建模重建欠采样K空间的深度学习方法

磁共振成像（MRI）扫描耗时且危险，因为患者需在受限空间中长时间保持静止。为减少扫描时间，一些专家尝试使用欠采样k空间，并试图利用深度学习预测全采样结果。这些研究报道，在一次耗时一小时或更久的扫描中可节省多达20至30分钟。然而，这些研究均未探索使用掩码图像建模（MIM）预测MRI k空间缺失部分的可能性。本研究使用了来自Facebook的fastmri数据集的11161张膝关节MRI重建图像及其k空间。其测试了一种改进版的现有模型，该模型采用基线偏移窗口（Swin）与视觉Transformer架构，利用MIM对欠采样k空间进行预测以得到完整k空间及相应的完整MRI图像。修改使用pytorch和numpy库完成，并已发布至github仓库。模型重建k空间图像后，应用基础傅里叶变换以确定实际MRI图像。模型达到稳态后，通过超参数实验实现了重建图像的精确对准。模型通过L1损失、梯度归一化和结构相似性值进行评估。训练结束后，模型生成的重建图像L1损失平均值<0.01，梯度归一化值<0.1。重建k空间与全采样k空间相比，训练和验证的结构相似性值均超过99%，且验证损失持续降至0.01以下。这些数据有力支持了该算法适用于MRI重建的观点，表明模型重建图像与原始全采样k空间高度吻合。