数据与物理驱动的学习模型用于快速 MRI——从 CNN、GAN 到注意力与 Transformer 的基础与方法论
图像与视频处理
2022-04-06 v1 计算机视觉与模式识别
医学物理
摘要
研究表明，在医学图像分析的下游任务中，如解剖分割与病灶检测、疾病诊断与预后以及治疗规划，使用数据驱动的深度学习模型毫无顾虑。然而，当上游成像未正确进行（存在伪影）时，深度学习模型并非医学图像分析的唯一良方。这在 MRI 研究中尤为明显：扫描通常较慢、易出现运动伪影、信噪比较低、空间和/或时间分辨率差。近期研究见证了用于推动快速 MRI 的深度学习技术的显著增长。本文旨在 (1) 介绍基于深度学习的快速 MRI 数据驱动技术，包括卷积神经网络和生成对抗网络（GAN） based 方法，(2) 综述基于注意力和 transformer 的 MRI 加速重建模型，以及 (3) 详述耦合物理与数据驱动模型用于 MRI 加速的研究。最后，我们将通过若干临床应用进行展示，解释数据协调及可解释模型在此类多中心和多扫描仪快速 MRI 技术中的重要性，并讨论当前研究中的常见陷阱及对未来研究方向的建议。
引用
@article{arxiv.2204.01706,
title = {Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers},
author = {Jiahao Huang and Yingying Fang and Yang Nan and Huanjun Wu and Yinzhe Wu and Zhifan Gao and Yang Li and Zidong Wang and Pietro Lio and Daniel Rueckert and Yonina C. Eldar and Guang Yang},
journal= {arXiv preprint arXiv:2204.01706},
year = {2022}
}
备注
14 pages, 3 figures, submitted to IEEE SPM