用于快速动态心脏 MRI 的深度可分离时空学习
图像与视频处理
2024-10-03 v2 机器学习
摘要
动态磁共振成像（MRI）在心脏诊断中发挥着不可或缺的作用。为实现快速成像，可以对 k 空间数据进行欠采样，但图像重建面临着高维处理的巨大挑战。这一挑战使得深度学习重建方法需要大量的训练数据。在本工作中，我们提出了一种新颖且高效的方法，利用降维的可分离学习方案，即使在训练数据极其有限的情况下也能表现出色。我们通过在开发深度可分离时空学习网络（DeepSSL）时融入时空先验来设计这一新方法，该网络展开了一个兼具时间低秩性和空间稀疏性的 2D 时空重建模型的迭代过程。中间输出也可可视化，以提供对网络行为的洞察并增强可解释性。在心脏 cine 数据集上的大量结果表明，所提出的 DeepSSL 在视觉和定量指标上均超越了最先进的方法，同时将训练案例的需求减少了高达 75%。此外，通过由经验丰富的放射科医生和心脏科医生进行的盲法读者研究，验证了其对未见心脏患者的初步适应性。此外，DeepSSL 提高了下游心脏分割任务的准确性，并在前瞻性欠采样的实时心脏 MRI 中表现出鲁棒性。
引用
@article{arxiv.2402.15939,
title = {Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI},
author = {Zi Wang and Min Xiao and Yirong Zhou and Chengyan Wang and Naiming Wu and Yi Li and Yiwen Gong and Shufu Chang and Yinyin Chen and Liuhong Zhu and Jianjun Zhou and Congbo Cai and He Wang and Di Guo and Guang Yang and Xiaobo Qu},
journal= {arXiv preprint arXiv:2402.15939},
year = {2024}
}
备注
12 pages, 14 figures, 4 tables