基于深度学习的高加速3D MRI重建
图像与视频处理
2022-03-10 v1 机器学习
医学物理
摘要
目的：通过使用深度学习方法从高度欠采样多通道k空间数据重建图像，加速脑部3D MRI扫描。方法：DL-Speed是一种具有密集跳跃层连接的解卷优化架构，在3D T1加权脑部扫描数据上训练，以从高度欠采样的k空间数据重建复值图像。该训练模型在以10倍加速回顾性欠采样的3D MPRAGE脑部扫描数据上评估，并与2倍加速的传统并行成像方法比较。由经验丰富的放射科医生在5分Likert量表上评估SNR、伪影、灰/白质对比、分辨率/锐度、深部灰质、小脑蚓部、前连合和整体质量的评分。此外，该训练模型在回顾性欠采样的3D T1加权LAVA（Liver Acquisition with Volume Acceleration，体积加速肝脏采集）腹部扫描数据，以及三名健康志愿者和一名健康志愿者的前瞻性欠采样3D MPRAGE和LAVA扫描上测试。结果：10倍加速DL-Speed的定性评分高于或等于2倍加速并行成像。在回顾性欠采样LAVA数据的定量指标上，DL-Speed优于压缩感知方法。DL-Speed在前瞻性欠采样扫描数据上表现相当好，实现了扫描时间2-5倍的缩短。结论：DL-Speed被证明可加速3D MPRAGE和LAVA达净10倍加速，相比传统并行成像和加速实现2-5倍更快扫描，同时保持诊断图像质量和实时重建。在脑部扫描数据上训练的DL-Speed在重建腹部LAVA扫描数据时也表现良好，展示了网络的通用性。
引用
@article{arxiv.2203.04674,
title = {Deep learning-based reconstruction of highly accelerated 3D MRI},
author = {Sangtae Ahn and Uri Wollner and Graeme McKinnon and Isabelle Heukensfeldt Jansen and Rafi Brada and Dan Rettmann and Ty A. Cashen and John Huston and J. Kevin DeMarco and Robert Y. Shih and Joshua D. Trzasko and Christopher J. Hardy and Thomas K. F. Foo},
journal= {arXiv preprint arXiv:2203.04674},
year = {2022}
}
备注
8 pages, 8 figures