一种用于磁共振图像重建的频域/图像域混合深度网络
图像与视频处理
2018-10-31 v1 机器学习
信号处理
机器学习
摘要
缩短磁共振(MR)图像采集时间有望降低操作成本并使MR检查更普及。例如,基于压缩感知(CS)的图像重建方法通过从低于奈奎斯特-香农采样定理速率所采样的数据中重建高质量图像来减少MR采集时间。本工作中我们提出一种在k空间(或频域)与图像(或空间)域同时作用的混合架构。我们的网络由k空间域中的复值残差U-net、逆快速傅里叶变换(iFFT)操作以及图像域中的实值U-net组成。我们的实验使用MR原始k空间数据表明,所提出的混合方法相比仅在图像域中运行的深度学习网络有望改进CS重建。在本研究中,我们将我们的方法与四种已发表的深度神经网络进行比较,并考察它们重建随后用于生成区域体积估计的图像的能力。我们评估了75%和80%的欠采样率。我们的技术在定量分析中位列第二,但定性分析表明我们的重建在难以重建的区域(如小脑)表现最佳。用我们的方法重建的所有图像均成功进行了后处理,并且与全采样重建测量结果相比显示出良好的体积测量一致性。
引用
@article{arxiv.1810.12473,
title = {A Hybrid Frequency-domain/Image-domain Deep Network for Magnetic Resonance Image Reconstruction},
author = {Roberto Souza and Richard Frayne},
journal= {arXiv preprint arXiv:1810.12473},
year = {2018}
}
备注
8 pages, 7 figures