填充K空间并精炼图像：面向动态与多对比度MRI重建的提示学习
图像与视频处理
2023-09-26 v1 计算机视觉与模式识别
摘要
动态或多对比度磁共振成像（MRI）重建的关键在于探索帧间或对比度间信息。目前，展开模型——一种将迭代MRI重建步骤与可学习神经网络层相结合的方法——是性能最佳的MRI重建方法。然而，有两个主要局限有待克服：首先，展开模型结构与GPU显存限制约束了网络中每个去噪块的能力，阻碍了对重建细节特征的有效提取；其次，现有模型缺乏适应输入变化的灵活性，例如不同对比度、分辨率或视角，必须为每种输入类型训练单独模型，效率低且可能导致重建不足。本文提出一种两阶段MRI重建流程以解决这些局限。第一阶段涉及填充缺失的k空间数据，我们将其作为基于物理的重建问题处理。我们首先提出一个简单而高效的基线模型，利用相邻帧/对比度与通道注意力来捕获固有的帧间/对比度间相关性。随后，我们将基线模型扩展为一种基于提示学习的方法PromptMR，用于来自不同视角、对比度、相邻类型与加速因子的全合一MRI重建。第二阶段是对第一阶段的重建结果进行精炼，我们将其视为通用视频复原问题，以在图像域进一步融合来自相邻帧/对比度的特征。大量实验表明，我们所提方法显著优于以往最先进的加速MRI重建方法。
引用
@article{arxiv.2309.13839,
title = {Fill the K-Space and Refine the Image: Prompting for Dynamic and Multi-Contrast MRI Reconstruction},
author = {Bingyu Xin and Meng Ye and Leon Axel and Dimitris N. Metaxas},
journal= {arXiv preprint arXiv:2309.13839},
year = {2023}
}
备注
STACOM 2023; Code is available at https://github.com/hellopipu/PromptMR