使用高斯过程的磁共振图像贝叶斯重建
医学物理
2023-03-27 v1 应用统计
摘要
现代磁共振成像(MRI)的一个核心目标是减少生成高质量图像所需的时间。相关努力包括并行成像、压缩感知和基于深度学习的重建等硬件与软件创新。在此,我们提出并演示了一种贝叶斯方法,用于在 k 空间构建磁共振(MR)图像的统计库,并利用这些库确定最优子采样路径与重建过程。具体而言,我们基于公开可用的健康大脑 T1 加权图像库,使用高斯过程计算多元正态分布。我们将该库与物理知情的包络函数结合,仅保留 k 空间中 meaningful 的相关性。随后使用该协方差函数,通过贝叶斯优化选择一系列环形子采样路径,使其最优地探索空间同时在商用 MRI 系统中实际可实现。结合为一系列图像找到的优化子采样路径,我们计算出一条通用采样路径,当用于新图像时,与先前报道的重建过程相比产生极优的结构相似度与误差(即仅采样 12.5% 的 k 空间数据即达 96.3% 结构相似度与 <0.003 归一化均方误差)。最后,我们在无需重新训练的情况下将该重建过程用于病理数据,表明重建图像对卒中识别具有临床效用。
引用
@article{arxiv.2303.13700,
title = {Bayesian Reconstruction of Magnetic Resonance Images using Gaussian Processes},
author = {Yihong Xu and Chad W. Farris and Stephan W. Anderson and Xin Zhang and Keith A. Brown},
journal= {arXiv preprint arXiv:2303.13700},
year = {2023}
}