跨器官一体化并行压缩感知磁共振成像
图像与视频处理
2025-12-23 v2
摘要
近年来，基于深度学习的并行压缩感知磁共振成像（p-CSMRI）在重建质量上取得了显著进步。然而，由于解剖结构差异，现有 p-CSMRI 方法通常需要为每个器官训练单独的深度神经网络（DNN），这为开发通用医学图像重建系统带来了障碍。为解决此问题，我们提出 CAPNet（跨器官一体化深度展开 p-CSMRI 网络），这是一个统一框架，通过三个专用模块实现 p-CSMRI 迭代算法：辅助变量模块、先验模块和数据一致性模块。考虑到 p-CSMRI 系统常对不同器官采用不同采样率，导致产生器官特异性伪影模式，我们引入了一个伪影生成器，提取伪影特征并将其融入数据一致性模块，以增强整体网络的判别能力。对于先验模块，我们设计了一个器官结构提示生成子模块，利用从分割一切模型（SAM）提取的结构特征来创建跨器官提示，并通过器官结构感知 Mamba 子模块将这些提示策略性地融入先验模块。在跨器官数据集上的综合评估证实，CAPNet 使用单一统一模型在多种解剖结构上均达到了最先进的重建性能。代码将发布于 https://github.com/shibaoshun/CAPNet。
引用
@article{arxiv.2505.04658,
title = {Cross-organ all-in-one parallel compressed sensing magnetic resonance imaging},
author = {Baoshun Shi and Xin Meng and Shuangni Lv and Zheng Liu and Yan Yang},
journal= {arXiv preprint arXiv:2505.04658},
year = {2025}
}