用于加速投影重建磁共振的深度学习与域适应方法
计算机视觉与模式识别
2018-01-10 v2
摘要
目的：径向 k-空间轨迹是结合磁共振成像使用的一种成熟采样轨迹。然而，径向 k-空间轨迹需要大量径向线才能实现高分辨率重建。增加径向线数量会导致采集时间延长，使其难以用于常规临床。另一方面，如果我们减少径向线数量，条纹伪影模式将不可避免。为了解决这一问题，我们提出了一种结合域适应的新型深度学习方法，以从欠采样 k-空间数据中恢复高分辨率 MR 图像。方法：所提出的深度网络去除受伪影污染图像中的条纹伪影。针对可用数据有限的情况，我们提出了一种域适应方案：使用大量 X 射线计算机断层扫描 (CT) 或合成的径向 MR 数据集预训练网络，然后仅用少量径向 MR 数据集进行微调。结果：所提出的方法优于现有的压缩感知算法，如全变差和 PR-FOCUSS 方法。此外，计算时间比全变差和 PR-FOCUSS 方法快几个数量级。而且，我们发现使用来自相似器官数据的 CT 或 MR 数据进行预训练，比使用来自相同模态但不同器官的数据进行预训练更为重要。结论：我们证明了在仅有有限 MR 数据时进行域适应的可能性。所提出的方法在图像质量和计算时间方面均超越了现有的压缩感知算法。
引用
@article{arxiv.1703.01135,
title = {Deep Learning with Domain Adaptation for Accelerated Projection-Reconstruction MR},
author = {Yo Seob Han and Jaejun Yoo and Jong Chul Ye},
journal= {arXiv preprint arXiv:1703.01135},
year = {2018}
}
备注
This paper has been accepted and will soon appear in Magnetic Resonance in Medicine