在先验时间特征空间内进行深度学习用于大规模动态 MR 图像重建：在 5-D 心脏 MR 多任务中的应用
图像与视频处理
2019-10-14 v1 计算机视觉与模式识别
摘要
高时空分辨率动态磁共振成像（MRI）是成像运动结构以及揭示和量化其他物理与生理动力学的有力临床工具。MRI 的低速度 necessitates 加速方法，例如从欠采样数据进行深度学习重建。然而，许多动态 MRI 问题的巨大规模使深度学习网络无法直接利用全局时间关系。本工作中，我们展示通过深度神经网络在预先计算的时间特征空间内应用，我们实现了具有全局时间建模的深度学习重建，即便对于帧数 >40,000 的图像序列也是如此。我们方法的一个提议变体使用扩张多级密集连接网络（mDCN），相比传统迭代方法将特征空间坐标计算加速 3000 倍，从 20 分钟降至 0.39 秒。因此，低秩张量与深度学习模型的结合不仅使大规模动态 MRI 可行，而且适用于常规临床应用。
引用
@article{arxiv.1910.00956,
title = {Deep learning within a priori temporal feature spaces for large-scale dynamic MR image reconstruction: Application to 5-D cardiac MR Multitasking},
author = {Yuhua Chen and Jaime L. Shaw and Yibin Xie and Debiao Li and Anthony G. Christodoulou},
journal= {arXiv preprint arXiv:1910.00956},
year = {2019}
}
备注
Early accepted by MICCAI 2019