用于高效动态 MR 图像重建的数据一致非笛卡尔深度子空间学习
图像与视频处理
2022-05-05 v1 计算机视觉与模式识别
摘要
结合子空间约束图像重建的非笛卡尔采样是动态 MRI 的一种常用方法，但缓慢的迭代重建限制了其临床应用。数据一致深度学习能够以良好的图像质量加速重建，但尚未针对非笛卡尔子空间成像进行形式化。在本研究中，我们提出了一种用于快速、准确动态 MR 图像重建的数据一致非笛卡尔深度子空间学习框架。我们开发并评估了四种新颖的数据一致形式：两种梯度下降方法、一种直接求解方法和一种共轭梯度方法。我们应用带有和不带有数据一致层的 U-Net 模型来重建用于心脏 MR Multitasking（一种先进的多维成像方法）的 T1 加权图像，并将我们的结果与迭代重建的参考结果进行了比较。实验结果表明，所提出的框架显著提高了相对于不带数据一致的 U-Net 模型的重建精度，同时显著加速了相对于传统迭代重建的重建过程。
引用
@article{arxiv.2205.01770,
title = {Data-Consistent Non-Cartesian Deep Subspace Learning for Efficient Dynamic MR Image Reconstruction},
author = {Zihao Chen and Yuhua Chen and Yibin Xie and Debiao Li and Anthony G. Christodoulou},
journal= {arXiv preprint arXiv:2205.01770},
year = {2022}
}
备注
Accepted by IEEE ISBI 2022