基于掩码图像建模的动态 MRI 重建全局 k 空间插值
图像与视频处理
2023-10-19 v2 计算机视觉与模式识别
机器学习
摘要
在动态磁共振成像(MRI)中,由于扫描时间有限,k 空间通常欠采样,导致图像域中出现混叠伪影。因此,动态 MR 重建不仅需要建模 k 空间 x 和 y 方向的空间频率分量,还需考虑时间冗余。大多数先前工作依赖图像域正则化项(先验)进行 MR 重建。相反,我们专注于在通过傅里叶变换获得图像之前对欠采样 k 空间进行插值。在本工作中,我们将掩码图像建模与 k 空间插值联系起来,提出了一种新颖的基于 Transformer 的 k 空间全局插值网络,称为 k-GIN。我们的 k-GIN 学习 2D+t k 空间的低频与高频分量之间的全局依赖关系,并利用其插值未采样数据。此外,我们提出了一种新颖的 k 空间迭代细化模块(k-IRM)以增强高频分量学习。我们在 92 个内部 2D+t 心脏 MR 受试者上评估了我们的方法,并将其与具有图像域正则化项的 MR 重建方法进行比较。实验表明,我们提出的 k 空间插值方法在定量和定性上均优于基线方法。重要的是,所提方法在高度欠采样 MR 数据情况下实现了显著更高的鲁棒性和泛化能力。有关视频展示、海报、GIF 结果和代码,请查看我们的项目页面:https://jzpeterpan.github.io/k-gin.github.io/。
引用
@article{arxiv.2307.12672,
title = {Global k-Space Interpolation for Dynamic MRI Reconstruction using Masked Image Modeling},
author = {Jiazhen Pan and Suprosanna Shit and Özgün Turgut and Wenqi Huang and Hongwei Bran Li and Nil Stolt-Ansó and Thomas Küstner and Kerstin Hammernik and Daniel Rueckert},
journal= {arXiv preprint arXiv:2307.12672},
year = {2023}
}