一种用于多线圈电影MRI的无监督深度学习方法
图像与视频处理
2020-12-30 v3 计算机视觉与模式识别
摘要
深度学习在心脏磁共振成像（MRI）重建中取得了良好成功，其中卷积神经网络（CNNs）学习从欠采样k空间到全采样图像的映射。尽管这些深度学习方法相较于迭代方法能够提高重建质量，且无需复杂的参数选择或冗长的重建时间，但以下问题仍待解决：1）所有这些方法都基于大数据，需要大量全采样MRI数据，而心脏MRI数据总是难以获取；2）在动态MR成像的深度学习方法中所涉及的线圈相关性对重建的影响从未被研究。在本文中，我们通过时间交织采样策略提出了一种用于多线圈电影MRI的无监督深度学习方法。具体而言，利用时间交织采集方案，通过直接合并相邻时间帧的k空间数据来构建一组全编码参考数据。然后这些全编码数据可用于训练并行网络，以分别重建每个线圈的图像。最后，通过CNN将各线圈的图像进行合并，以隐式地探索线圈间的相关性。在体数据集上与经典k-t FOCUSS、k-t SLR、L+S和KLR方法的比较表明，我们的方法能在极短时间内获得改进的重建结果。
引用
@article{arxiv.1912.12177,
title = {An Unsupervised Deep Learning Method for Multi-coil Cine MRI},
author = {Ziwen Ke and Jing Cheng and Leslie Ying and Hairong Zheng and Yanjie Zhu and Dong Liang},
journal= {arXiv preprint arXiv:1912.12177},
year = {2020}
}
备注
12 pages, 10 figures, submitted to PMB