通过深度学习同时欠采样 k 空间与减少对比度数量实现高度加速的 MR 参数映射
图像与视频处理
2021-12-03 v1 计算机视觉与模式识别
摘要
目的：提出一种名为 RG-Net（重建与生成网络）的基于深度学习的新方法，通过同时欠采样 k 空间和减少所获取的对比度数量，实现高度加速的 MR 参数映射。方法：所提框架由重建模块与生成模块组成。重建模块借助数据先验从获取的少量欠采样 k 空间数据重建 MR 图像。生成模块随后从重建图像合成剩余的多对比度图像，其中指数模型通过全采样标签的监督被隐式纳入图像生成。RG-Net 在不同加速率下于膝关节与脑部的 T1ρ 映射数据上进行了评估。对软骨与脑部进行了区域性 T1ρ 分析以评估 RG-Net 性能。结果：RG-Net 在 17 的高加速率下产出高质量 T1ρ 图。与仅欠采样 k 空间的竞争方法相比，我们的框架在 T1ρ 值分析中取得更优性能。我们的方法也改善了胶质瘤患者 T1ρ 图的质量。结论：所提 RG-Net 采用同时欠采样 k 空间与减少对比度数量的新策略用于快速 MR 参数映射，能在保持良好重建质量的同时实现高加速率。我们框架的生成模块也可作为插入模块用于其他快速 MR 参数映射方法。关键词：深度学习，卷积神经网络，快速 MR 参数映射
引用
@article{arxiv.2112.00730,
title = {Highly accelerated MR parametric mapping by undersampling the k-space and reducing the contrast number simultaneously with deep learning},
author = {Yanjie Zhu and Haoxiang Li and Yuanyuan Liu and Muzi Guo and Guanxun Cheng and Gang Yang and Haifeng Wang and Dong Liang},
journal= {arXiv preprint arXiv:2112.00730},
year = {2021}
}
备注
27 pages,11 figures. Submitted to Magnetic Resonance in Medicine