利用压缩感知与深度神经网络加速定量磁化率成像
图像与视频处理
2021-07-20 v1
摘要
定量磁化率成像（QSM）是一种基于 MRI 相位的后处理方法，可量化组织磁化率分布。然而，即使使用并行成像，QSM 采集也相对缓慢。非相干欠采样和压缩感知重建技术已被用于加速传统的基于幅度的 MRI 采集；然而，由于相位的非凸性质，大多数方法无法恢复完整相位信号。在本研究中，提出一种基于学习的深度复数残差网络（DCRNet），从非相干欠采样数据中恢复幅度和相位图像，从而实现 QSM 采集的高加速。在来自六名健康志愿者、一名颅内出血和一名多发性硬化患者以及一名使用 7T 扫描仪的前向欠采样健康受试者的回顾性欠采样采集上，将 DCRNet 的幅度、相位和 QSM 结果与两种迭代方法和一种深度学习方法进行比较。数值比较报告了峰值信噪比（PSNR）、结构相似性（SSIM）和感兴趣区磁化率测量。所提出的 DCRNet 方法与其他方法相比显著减少了伪影和模糊，并在幅度、相位、局部场和磁化率图上获得了最高 PSNR 和 SSIM。当采集加速四倍时，其在深部灰质磁化率上比一些现有方法实现了 4.0% 至 8.8% 的精度提升。所提出的 DCRNet 还将每次扫描的重建时间缩短了近一万倍，从常规方法的约 80 小时降至仅 30 秒。
引用
@article{arxiv.2103.09375,
title = {Accelerating Quantitative Susceptibility Mapping using Compressed Sensing and Deep Neural Network},
author = {Yang Gao and Martijn Cloos and Feng Liu and Stuart Crozier and G. Bruce Pike and Hongfu Sun},
journal= {arXiv preprint arXiv:2103.09375},
year = {2021}
}
备注
10 figures