基于扫描专用无监督深度学习用于弛豫测量与MR指纹成像的精确参数估计
图像与视频处理
2021-12-14 v3 机器学习
医学物理
摘要
我们提出一种用于弛豫参数估计的无监督卷积神经网络(CNN)。该网络结合了信号弛豫与Bloch模拟，同时利用残差学习及相邻体素间的空间关系。在数值模拟以及多回波T2与T2*映射的体内数据中，相较于标准参数估计方法，其量化精度与抗噪鲁棒性均得到显著提升。所提网络与子空间建模及来自高度欠采样数据的MR指纹成像(MRF)相结合，可实现高质量的T1与T2映射。
引用
@article{arxiv.2112.03815,
title = {Accurate parameter estimation using scan-specific unsupervised deep learning for relaxometry and MR fingerprinting},
author = {Mengze Gao and Huihui Ye and Tae Hyung Kim and Zijing Zhang and Seohee So and Berkin Bilgic},
journal= {arXiv preprint arXiv:2112.03815},
year = {2021}
}
备注
7 pages, 5 figures, submitted to International Society for Magnetic Resonance in Medicine 2022