用于脑MRI稀疏重建的双域交叉迭代压缩激励网络
计算机视觉与模式识别
2022-10-17 v2 人工智能
摘要
磁共振成像（MRI）是神经病学与神经外科中最常用的检查之一。然而，MRI的效用在很大程度上受限于其较长的采集时间，这可能引发包括患者不适和运动伪影在内的诸多问题。减少k空间采样是缩短总扫描时间的一种潜在方案。但这会导致严重的混叠重建伪影，从而影响临床诊断。如今，深度学习为MRI的稀疏重建提供了新思路。本文提出一种新方法，利用新颖的双压缩激励网络（Squeeze-Excitation Networks）与交叉迭代残差连接，迭代地融合k空间与MRI图像的信息。本研究纳入了来自开源去标识化fastMRI数据集的720例临床多线圈脑MRI病例。采用8倍降采样率生成稀疏k空间。结果表明，在120例测试病例上，我们所提方法的平均重建误差为2.28%，优于现有的图像域预测（6.03%，p<0.001）、k空间合成（6.12%，p<0.001）和双域特征融合（4.05%，p<0.001）。
引用
@article{arxiv.2210.02523,
title = {Dual-Domain Cross-Iteration Squeeze-Excitation Network for Sparse Reconstruction of Brain MRI},
author = {Xiongchao Chen and Yoshihisa Shinagawa and Zhigang Peng and Gerardo Hermosillo Valadez},
journal= {arXiv preprint arXiv:2210.02523},
year = {2022}
}
备注
4 pages, 5 figures, 2 tables