基于扫描特定自监督网络的快速全脑MR多参数映射
机器学习
2024-08-07 v1
摘要
MRI对组织参数进行定量是临床诊断和研究研究中日益强大的工具。多个长时间扫描和不同获取参数的需求限制了定量MRI在日常临床和研究考试中的广泛采用。加速参数映射技术利用平行成像、信号建模和深度学习来提供更实用的定量MRI获取。然而，实现的加速速度和图谱质量往往受到限制。Joint MAPLE是一种最新近的多参数和扫描特定参数映射技术，具有高速率下的前景性能。它综合了平行成像、基于模型的和机器学习方法，用于联合映射T1、T2*、质子密度和场不均匀性。然而，Joint MAPLE因估计高分辨率下多echo、多翻转角（MEMFA）数据集的重建时间在扫描特定方面而变得不可行。本文提出了Joint MAPLE的更快版本，保留了原始版本的映射性能。协同结合了电感压缩、随机切片选择、参数特定学习率和迁移学习。该框架将重建时间缩短了约700倍，平均处理一个全脑MEMFA数据集仅需21分钟，而原始版本需要约260小时。该框架的映射性能在平均根均方误差方面比标准方法和当前最先进的重建技术提高约2倍。
引用
@article{arxiv.2408.02987,
title = {A Differential Smoothness-based Compact-Dynamic Graph Convolutional Network for Spatiotemporal Signal Recovery},
author = {Pengcheng Gao and Zicheng Gao and Ye Yuan},
journal= {arXiv preprint arXiv:2408.02987},
year = {2024}
}