基于长短期记忆的循环神经网络用于介入式MRI重建
计算机视觉与模式识别
2022-04-13 v2 医学物理
摘要
用于手术引导的介入式磁共振成像（i-MRI）可帮助可视化如深部脑刺激（DBS）等介入过程，改善手术效果与患者预后。与常规动态成像中的回顾性重建不同，用于DBS的i-MRI必须按顺序在线采集并重建介入图像。在此我们提出了一种基于卷积长短期记忆（Conv-LSTM）的循环神经网络（RNN），即ConvLR，利用黄金角径向采样重建介入图像。通过使用初始化器和Conv-LSTM模块，来自术前参考图像和术中帧的先验被用于重建当前帧。针对径向采样的数据一致性通过软投影方法实现。为提高重建精度，采用了对抗学习策略。基于术前和术后MR图像模拟了一组介入图像用于算法验证。结果表明，仅用10条径向辐条，ConvLR相较最先进方法提供了最佳性能，实现了高达40倍的加速。所提算法有潜力实现DBS的实时i-MRI，并可用于通用目的的MR引导介入。
引用
@article{arxiv.2203.14769,
title = {A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction},
author = {Ruiyang Zhao and Zhao He and Tao Wang and Suhao Qiu and Pawel Herman and Yanle Hu and Chencheng Zhang and Dinggang Shen and Bomin Sun and Guang-Zhong Yang and Yuan Feng},
journal= {arXiv preprint arXiv:2203.14769},
year = {2022}
}