GDCNet：基于深度学习的回波平面成像数据无校准几何失真校正
图像与视频处理
2024-03-01 v1 计算机视觉与模式识别
摘要
功能磁共振成像技术受益于回波平面成像的快速图像采集，但容易受到主磁场不均匀性的影响，导致图像中出现几何失真和信号丢失伪影。传统方法利用场图或体素位移图进行失真校正。然而，体素位移图估计需要额外的序列采集，且估计的准确性影响校正性能。本文实现了一种名为GDCNet的新方法，它通过非线性配准到T1加权解剖图像来估计几何失真图，并将其应用于失真校正。GDCNet在回顾性和前瞻性采集的数据集中展示了功能图像的快速失真校正。在比较的模型中，2D自监督配置在校正后的功能图像与T1加权图像之间的归一化互信息方面，相比基准方法FUGUE和TOPUP有统计学显著改善。此外，GDCNet模型在前瞻性数据集中的处理速度比TOPUP快14倍。
引用
@article{arxiv.2402.18777,
title = {GDCNet: Calibrationless geometric distortion correction of echo planar imaging data using deep learning},
author = {Marina Manso Jimeno and Keren Bachi and George Gardner and Yasmin L. Hurd and John Thomas Vaughan and Sairam Geethanath},
journal= {arXiv preprint arXiv:2402.18777},
year = {2024}
}
备注
30 pages, 9 figures, 3 tables