基于深度学习的高效 Bloch 磁共振成像序列仿真
图像与视频处理
2023-04-19 v3 医学物理
摘要
目的：Bloch 仿真构成了磁共振成像（MRI）开发的重要组成部分。然而，即便借助图形处理单元（GPU）加速，沉重的计算负担仍是一项主要挑战，尤其在大规模、高精度的仿真场景中。本工作旨在开发一种基于深度学习的仿真器以加速 Bloch 仿真。方法：该仿真器模型称为 Simu-Net，基于端到端卷积神经网络，并使用传统 Bloch 仿真生成的合成数据进行训练。它采用动态卷积融合不同维度的空间与物理信息，并引入位置编码模板以实现位置特异性标注并克服卷积网络的感受野限制。主要结果：与主流的基于 GPU 的 MRI 仿真软件相比，Simu-Net 在传统与先进 MRI 脉冲序列中均成功实现了数百倍的仿真加速。所提框架的精度与鲁棒性得到了定性与定量验证。此外，训练好的 Simu-Net 被用于为基于深度学习的 T2 映射生成充足的定制化训练样本，并在人脑中获得了与常规方法相当的结果。意义：作为一项概念验证工作，Simu-Net 展示了应用深度学习快速近似 MRI 正向物理过程的潜力，并可能提升 Bloch 仿真在 MRI 脉冲序列优化及基于深度学习的方法中的效率。
引用
@article{arxiv.2210.10379,
title = {High-efficient Bloch simulation of magnetic resonance imaging sequences based on deep learning},
author = {Haitao Huang and Qinqin Yang and Jiechao Wang and Pujie Zhang and Shuhui Cai and Congbo Cai},
journal= {arXiv preprint arXiv:2210.10379},
year = {2023}
}
备注
18 pages, 8 figures