利用傅里叶原始对偶网络与 PDUNet 的复值神经网络加速热疗中的 MR 温度成像
医学物理
2024-07-24 v2 图像与视频处理
摘要
热疗（HT）联合放疗和/或化疗已成为特定实体肿瘤公认的癌症治疗方法。在 HT 中，肿瘤组织被外源性加热至 39 至 43 C 并维持 60 分钟。温度监测可使用动态磁共振成像（MRI）进行无创监测。然而，MRI 的慢速特性导致图像采集期间因患者运动而产生运动伪影。通过舍弃部分数据可加快采集速度——即欠采样。但由于奈奎斯特准则失效，所采集图像可能模糊并产生混叠伪影。因此，本工作的目标是相比常规方法以更高分辨率和更少伪影重建高度欠采样的 MR 温度成像数据。深度学习在医学领域的应用近年兴起，多项研究表明深度学习有潜力解决诸如 MR 图像重建等逆问题。然而，已发表工作多聚焦于幅度图像，而忽略了对 MR 温度成像至关重要的相位图像。本工作首次提出基于深度学习的欠采样 MR 温度成像数据重建方案。此处采用两种深度学习模型，即傅里叶原始对偶（Fourier Primal-Dual）网络与傅里叶原始对偶 UNet（PDUNet），以重建高度欠采样的 MR 温度成像复值图像。该方法在加速因子为 10 时，将欠采样 MRI 与全采样 MRI 间的温度差从全体积的 1.3 C 降至 0.6 C，肿瘤区域从 0.49 C 降至 0.06 C。
引用
@article{arxiv.2310.01073,
title = {Complex-valued neural networks to speed-up MR Thermometry during Hyperthermia using Fourier PD and PDUNet},
author = {Rupali Khatun and Soumick Chatterjee and Christoph Bert and Martin Wadepohl and Oliver J. Ott and Rainer Fietkau and Andreas Nürnberger and Udo S. Gaipl and Benjamin Frey},
journal= {arXiv preprint arXiv:2310.01073},
year = {2024}
}