基于 k 空间的高效非刚性配准方法及其在心脏 MRI 中的应用
图像与视频处理
2024-10-25 v1 计算机视觉与模式识别
机器学习
摘要
在磁共振成像 (MRI) 中，高时间分辨率的运动对于图像采集与重建、MR 指导下放疗、动态对比增强、血流与灌注成像，以及心血管、腹部、腹部、胎儿或肌肉骨骼成像中对运动模式的功能性评估具有重要作用。传统方法通过基于图像的配准来获取这些运动估计，这对于复杂的运动模式和高动态分辨率图像尤其具有挑战性。在此类应用中，加速扫描会导致图像伪影，妨碍运动估计。本文提出了一种新颖的自监督深度学习框架，称为 Local-All Pass Attention Network (LAPANet)，用于直接从加速 Fourier 空间（即 k 空间）进行非刚性运动估计。该方法遵循 Local All-Pass (LAP) 配准技术，将非刚性运动建模为局部平移位位移的累积和。我们在各种采样轨迹和加速率下评估了 LAPANet 的心脏运动估计性能。结果表明，本方法在准确性上优于先前的常规和深度学习基于配准的方法，能够适用于 Cartesian 轨迹下每帧仅 2 行像素，或非 Cartesian 轨迹下每帧仅 3 根辐射。实现的非刚性运动高时间分辨率（小于 5 ms）为动态和实时 MRI 应用中的运动检测、跟踪与纠正开辟了新路径。
引用
@article{arxiv.2410.18834,
title = {Highly efficient non-rigid registration in k-space with application to cardiac Magnetic Resonance Imaging},
author = {Aya Ghoul and Kerstin Hammernik and Andreas Lingg and Patrick Krumm and Daniel Rueckert and Sergios Gatidis and Thomas Küstner},
journal= {arXiv preprint arXiv:2410.18834},
year = {2024}
}