利用CMRatt加速心脏MRI重建：一种注意力驱动的方法

电影心脏磁共振（CMR）成像被认为是全面评估心脏功能的基准模态。然而，电影CMR的采集过程因其较长的扫描时间而被视为障碍。加速采集过程的一种常用策略是k空间欠采样，尽管它会在重建图像中引入混叠效应。最近，基于深度学习的方法在快速实现精确CMR重建图像方面显示出比传统方法更显著的结果。本研究旨在探索注意力机制与深度学习模型结合在CMR重建问题中的未开发潜力。我们的动机是注意力已被证明在下游任务（如图像分类和分割）中有益，但在CMR重建背景下尚未被系统分析。我们的主要目标是识别注意力算法在与卷积骨干模型（如U-Net）集成时的优势和潜在局限性。为此，我们在CMRxRecon数据集上基准测试了不同的最先进空间和通道注意力机制，并使用客观指标定量评估重建质量。此外，受表现最佳的注意力机制的启发，我们提出了一种新的、简单而有效的注意力流程，专门针对心脏图像重建任务进行了优化，优于其他最先进的注意力方法。层和模型代码将公开提供。