用于快速MRI重建的数据与物理驱动的深度学习模型：基础与方法论
信号处理
2024-10-24 v2
摘要
磁共振成像（MRI）是一种关键的临床诊断工具，然而其较长的扫描时间常常影响患者舒适度和图像质量，尤其是在容积、时间及定量扫描中。本综述阐述了通过数据和物理驱动模型加速MRI的最新进展，涵盖了从算法展开模型、基于增强的方法、即插即用模型到新兴的全谱生成模型方法。我们还探讨了数据模型与基于物理的洞察之间的协同整合，包括多线圈硬件加速（如并行成像和同时多层成像）的进展以及采样模式的优化。随后，我们聚焦于特定领域的挑战与机遇，包括图像冗余利用、图像完整性、评估指标、数据异质性和模型泛化。本文还讨论了潜在的解决方案和未来的研究方向，并强调了数据协调和联邦学习在进一步提高这些方法在MRI重建中的普遍适用性和性能方面的作用。
引用
@article{arxiv.2401.16564,
title = {Data and Physics driven Deep Learning Models for Fast MRI Reconstruction: Fundamentals and Methodologies},
author = {Jiahao Huang and Yinzhe Wu and Fanwen Wang and Yingying Fang and Yang Nan and Cagan Alkan and Daniel Abraham and Congyu Liao and Lei Xu and Zhifan Gao and Weiwen Wu and Lei Zhu and Zhaolin Chen and Peter Lally and Neal Bangerter and Kawin Setsompop and Yike Guo and Daniel Rueckert and Ge Wang and Guang Yang},
journal= {arXiv preprint arXiv:2401.16564},
year = {2024}
}
备注
Accepted by IEEE Reviews in Biomedical Engineering (RBME)