用于压缩感知与并行 MRI 的深度伪影学习
计算机视觉与模式识别
2017-03-06 v1
摘要
目的：基于单线圈和并行线圈的压缩感知 MRI (CS-MRI) 是在保证性能的前提下缩短 MR 成像扫描时间的有效方法之一。然而，其计算成本通常很高。本文旨在提出一种计算快速且准确的深度学习算法，用于从高度欠采样的 k-space 数据中重建 MR 图像。理论：基于拓扑分析，我们表明，从具有额外低频 k-space 数据的均匀欠采样模式中，更容易学习混叠伪影的数据流形。因此，我们开发了用于幅度图像和相位图像的深度混叠伪影学习网络，以估计并消除高度加速 MR 采集中的混叠伪影。方法：直接从由欠采样 k-space 数据重建的失真幅度和相位图像中估计混叠伪影，从而可以通过从受损输入中减去估计的混叠伪影来获得无伪影图像。此外，为了处理全局分布的混叠伪影，我们开发了一个具有大感受野的多尺度深度神经网络。结果：实验结果证实，所提出的深度伪影学习网络能够有效地估计并消除混叠伪影。与现有的基于单线圈和多线圈数据的 CS 方法相比，该网络通过消除相干混叠伪影表现出最小的误差。此外，计算时间快了一个数量级。结论：由于所提出的深度伪影学习网络能够立即生成准确的重建结果，它在临床应用中具有巨大潜力。
引用
@article{arxiv.1703.01120,
title = {Deep artifact learning for compressed sensing and parallel MRI},
author = {Dongwook Lee and Jaejun Yoo and Jong Chul Ye},
journal= {arXiv preprint arXiv:1703.01120},
year = {2017}
}