DDoS-UNet：利用动态双通道UNet融入时间信息以增强动态MRI超分辨率
医学物理
2022-02-14 v1 机器学习
图像与视频处理
摘要
磁共振成像（MRI）无需使用有害电离辐射即可提供高空间分辨率和优异的软组织对比度。动态MRI是观察目标器官运动或变化的重要介入工具。然而，这种高时间分辨率的MRI采集受限于有限的空间分辨率——这也被称为动态MRI的时空权衡。已有多种方法被提出以缓解这种权衡，包括基于深度学习的超分辨率方法。然而，这类方法通常旨在分别对每个时间点进行超分辨率处理，将其视为独立的体积。本研究通过创建一个试图同时学习空间和时间关系的深度学习模型来解决这一问题。我们提出了一种改进的3D UNet模型，即DDoS-UNet——它接受当前时间点的低分辨率体积以及一个先验图像体积。最初，网络以静态高分辨率规划扫描作为先验图像，与低分辨率输入一起对第一个时间点进行超分辨率重建。然后，它逐步进行，使用已超分辨率重建的时间点作为先验图像，同时对后续时间点进行超分辨率重建。使用欠采样至不同平面内水平的3D动态数据测试了模型性能。所提出的网络在重建最低分辨率数据（即仅采集了4%的k空间）时，达到了0.951±0.017的平均SSIM值——这可能导致理论加速因子达到25。所提出的方法可用于在实现高空间分辨率的同时减少所需的扫描时间。
引用
@article{arxiv.2202.05355,
title = {DDoS-UNet: Incorporating temporal information using Dynamic Dual-channel UNet for enhancing super-resolution of dynamic MRI},
author = {Soumick Chatterjee and Chompunuch Sarasaen and Georg Rose and Andreas Nürnberger and Oliver Speck},
journal= {arXiv preprint arXiv:2202.05355},
year = {2022}
}