在基于 MR 的电特性层析成像中结合深度学习与三维对比源反演
医学物理
2019-08-14 v1 图像与视频处理
摘要
磁共振电特性层析成像（MR-EPT）是一种利用发射磁场的 MR 测量来估计组织电导率和介电常数的技术。现有多种重建方法，但这些方法均存在若干限制，阻碍了临床适用性。基于标准 Helmholtz 方程的 MR-EPT 方法受噪声影响严重。诸如对比源反演-EPT（CSI-EPT）等迭代重建方法通常耗时且依赖于初始化。基于深度学习（DL）的方法需要大量训练数据才能实现充分的泛化。在此，我们研究了一种混合方法的可行收益，即使用 MR-EPT 或 DL-EPT 作为标准三维 CSI-EPT 的初始化猜测。通过在 3 T 和 7 T 下的真实电磁仿真，将混合 CSI 重建的准确度和精度与标准三维 CSI-EPT 重建进行比较。我们的结果表明，由初始 DL-EPT 重建继以三维 CSI-EPT 重建的混合方法是有益的。DL-EPT 与标准三维 CSI-EPT 相结合，利用了数据驱动的基于 DL 的 EPT 重建的能力，而随后的 CSI-EPT 通过提供数据一致性促进了更好的泛化。
引用
@article{arxiv.1908.04542,
title = {Combining Deep Learning and 3D Contrast Source Inversion in MR-based Electrical Properties Tomography},
author = {Reijer L. Leijsen and Cornelis A. T. van den Berg and Andrew G. Webb and Rob F. Remis and Stefano Mandija},
journal= {arXiv preprint arXiv:1908.04542},
year = {2019}
}
备注
8 pages, 4 figures, 1 table