AliasNet：用于加速相位编码 MRI 的混叠伪影抑制网络
图像与视频处理
2023-10-17 v2 计算机视觉与模式识别
机器学习
摘要
稀疏重建是 MRI 的一个重要方面，有助于减少采集时间并提高时空分辨率。流行的方法主要基于压缩感知（CS），其依赖于 k 空间随机采样以产生不相干（类噪声）伪影。由于硬件限制，一维笛卡尔相位编码欠采样方案在 2D CS-MRI 中很受欢迎。然而，一维欠采样限制了测量之间的 2D 不相干性，产生结构化的混叠伪影（鬼影），在假设 2D 稀疏模型时可能难以去除。重建算法通常对这些方向相关的伪影部署方向不敏感的 2D 正则化。认识到相位编码伪影可分离为连续的 1D 信号，我们开发了两种解耦技术，能够实现显式的 1D 正则化并利用优异的 1D 不相干特性。我们还推导了一种结合 1D + 2D 的重建技术，利用图像内的空间关系。在回顾性欠采样的大脑和膝盖数据上进行的实验表明，将所提出的 1D AliasNet 模块与现有 2D 深度学习（DL）恢复技术结合可改善图像质量。我们还发现，与增加原始 2D 网络层规模相比，AliasNet 实现了更优的性能扩展。因此，AliasNet 通过定制网络架构以考虑相位编码欠采样伪影的预期形态，改善了此类混叠伪影的正则化。所提出的 1D + 2D 方法与用于该应用的任何现有 2D DL 恢复技术兼容。
引用
@article{arxiv.2302.08861,
title = {AliasNet: Alias Artefact Suppression Network for Accelerated Phase-Encode MRI},
author = {Marlon E. Bran Lorenzana and Shekhar S. Chandra and Feng Liu},
journal= {arXiv preprint arXiv:2302.08861},
year = {2023}
}