MRI 重建：深度学习与压缩感知集成的系统综述
计算机视觉与模式识别
2025-07-21 v2 人工智能
医学物理
摘要
磁性共振成像(MRI)是一种无侵入的成像方式，提供对人体解剖结构和功能信息的全面了解。然而，其长时间的获取可能导致患者不适、运动伪影以及限制实时应用。为此，已应用诸如平行成像等策略，该方法利用多个接收线圈加快数据获取过程。此外，压缩感知(CS)是一种可从稀疏数据中进行图像重建的方法，通过最小化所需数据收集量显著减少图像获取时间。最近，深度学习(DL)已成为提高MRI重建的强大工具。它已与平行成像和CS原理相集成，以实现更快更准确的MRI重建。本综述全面审查了DL用于MRI重建的技术方法。我们对各种DL方法进行分类和讨论，包括端到端方法、展开优化和联邦学习，突出其潜在优势。我们的系统综述突出了DL在MRI重建中的重要贡献，概述了DL在MRI重建中的潜力。此外，我们总结了关键结果和趋势，包括定量指标、数据集、加速度因子以及DL技术随时间的进展和研究兴趣。最后，我们讨论了潜在的未来方向以及DL在推动医学成像方面的重要性。为进一步推动该领域的研究，我们提供了一个GitHub仓库，包含最新的DL用于MRI重建的出版物和公共数据集-https://github.com/mosaf/Awesome-DL-based-CS-MRI。
引用
@article{arxiv.2501.14158,
title = {Advancing MRI Reconstruction: A Systematic Review of Deep Learning and Compressed Sensing Integration},
author = {Mojtaba Safari and Zach Eidex and Chih-Wei Chang and Richard L. J. Qiu and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2501.14158},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2405.00241