用于快速磁共振成像中 k 空间数据插值的自适应卷积神经网络
图像与视频处理
2020-06-11 v2 计算机视觉与模式识别
摘要
k 空间中的深度学习在快速磁共振成像（MRI）中展示了从欠采样 k 空间数据重建图像的巨大潜力。然而，现有的基于深度学习的图像重建方法通常将权重共享卷积神经网络（CNN）应用于 k 空间数据，而未考虑 k 空间数据的空间频率特性，导致图像重建模型的学习无效。此外，现有深度学习方法常常忽略空间相邻切片的互补信息。为了克服这些局限性，我们开发了一种称为用于 k 空间数据插值的自适应卷积神经网络（ACNN-k-Space）的深度学习算法，该算法采用残差 Encoder-Decoder 网络架构，通过将空间连续切片作为多通道输入（如果可用，还包括来自多个线圈的 k 空间数据）来对欠采样 k 空间数据进行插值。该网络通过自注意力层得到增强，以自适应地关注不同空间频率和通道上的 k 空间数据。我们在两个公开数据集上评估了我们的方法，并将其与现有的最先进方法进行了比较。消融研究和实验结果表明，我们的方法能有效地从欠采样 k 空间数据重建图像，并取得了显著优于当前最先进技术的图像重建性能。
引用
@article{arxiv.2006.01385,
title = {Adaptive convolutional neural networks for k-space data interpolation in fast magnetic resonance imaging},
author = {Tianming Du and Honggang Zhang and Yuemeng Li and Hee Kwon Song and Yong Fan},
journal= {arXiv preprint arXiv:2006.01385},
year = {2020}
}