面向MR图像重建的全新深度学习框架

我们介绍了一种新型、全集成的深度学习框架，用于MR图像重建，使单个模型能够在k-space采样的多个方面提升图像质量，并在广泛的临床和技术场景中有效。该DICOM-based算法是SwiftMR(AIRS Medical,首尔,韩国)的核心，已获FDA批准、CE认证并商业化。我们首先详细阐述了模型的全面开发过程，包括数据收集、训练对准备、模型架构设计以及DICOM推断。随后我们评估了该模型在多维度方面提升图像质量的能力，具体涉及k-space采样的各个方面。随后我们评估了多维度提升的几个特征：可调去噪的准确性、每个编码方向的超分辨率有效性以及在较低空间分辨率下更突出的失真减少。此外，我们评估了其与各种扫描参数集的兼容性以及在训练期间未看到的扫描仪厂商上的通用性。最后，我们呈现了具体案例，展示该模型在结合协议优化的情况下降低各解剖区域的扫描时间。该模型与广泛的场景兼容，包括各种厂商、脉冲序列、扫描参数和解剖区域。其DICOM-based操作特别增强了其在实际应用中的适用性。鉴于其显著的有效性和灵活性，我们预计其在临床MRI领域的使用将扩展。