用于精准高度加速 MRI 的编码增强复值 CNN
图像与视频处理
2023-11-14 v2 计算机视觉与模式识别
摘要
利用超极化惰性气体的磁共振成像（MRI）提供了一种可视化人体肺部结构与功能的方法，但较长的成像时间限制了其广泛的科研与临床应用。深度学习已通过从欠采样数据重建图像，在加速 MRI 方面展现出巨大潜力。然而，现有大多数深度卷积神经网络（CNN）直接对方形卷积应用于 k 空间数据，未考虑 k 空间采样的固有特性，限制了 k 空间学习效率与图像重建质量。本工作中，我们提出一种编码增强（EN2）复值 CNN，用于高度欠采样的肺部 MRI 重建。EN2 沿频率编码或相位编码方向进行卷积，类似于 k 空间采样机制，以最大化利用 k 空间一行或一列内的编码相关性与完整性。我们还采用复值卷积从复值 k 空间数据中学习丰富表示。此外，我们开发了特征增强模块化单元以进一步提升重建性能。实验表明，我们的方法能从 6 倍欠采样的 k 空间数据准确重建超极化 129Xe 与 1H 肺部 MRI，并提供与全采样图像偏差极小的肺功能测量。这些结果证明了所提算法组件的有效性，并表明该方法可用于科研及临床肺部疾病患者护理中的加速肺部 MRI。
引用
@article{arxiv.2306.11977,
title = {Encoding Enhanced Complex CNN for Accurate and Highly Accelerated MRI},
author = {Zimeng Li and Sa Xiao and Cheng Wang and Haidong Li and Xiuchao Zhao and Caohui Duan and Qian Zhou and Qiuchen Rao and Yuan Fang and Junshuai Xie and Lei Shi and Fumin Guo and Chaohui Ye and Xin Zhou},
journal= {arXiv preprint arXiv:2306.11977},
year = {2023}
}