通过频率与空间互学习的加速多对比度 MRI 重建
图像与视频处理
2024-09-24 v1 计算机视觉与模式识别
摘要
为了加速磁共振成像过程，多对比度磁共振重建已成为一种普遍趋势，它利用易于获取的模态作为辅助，以支持在欠采样 k-space 测量下对目标模态的高质量重建。探索不同模态间的全局依赖性和互补信息对 MCMR 至关重要。然而，现有方法要么由于感受野有限而难以捕捉全局依赖性，要么面临二次计算复杂度的问题。为了解决这一困境，我们提出了一种新颖的频率与空间互学习网络，能够高效探索不同模态间的全局依赖性。具体而言，每个模态的特征由频率-空间特征提取模块提取，该模块包含一个频率分支和一个空间分支。得益于傅里叶变换的全局特性，频率分支能够以图像大小的感受野高效捕捉全局依赖性，而空间分支则可以提取局部特征。为了利用来自辅助模态的互补信息，我们提出了跨模态选择性融合模块，选择性地整合来自辅助模态的频率和空间特征，以增强目标模态的相应分支。为了进一步整合来自频率分支的增强全局特征和来自空间分支的增强局部特征，我们开发了频率-空间融合模块，从而为目标模态生成全面的特征表示。在 BraTS 和 fastMRI 数据集上的大量实验表明，所提出的 FSMNet 在不同加速因子的 MCMR 任务中实现了 SOTA 性能。代码获取于：https://github.com/qic999/FSMNet。
引用
@article{arxiv.2409.14113,
title = {Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning},
author = {Qi Chen and Xiaohan Xing and Zhen Chen and Zhiwei Xiong},
journal= {arXiv preprint arXiv:2409.14113},
year = {2024}
}
备注
Accepted as a poster by Medical Image Computing and Computer Assisted Intervention (MICCAI) 2024