在开放式 MRI-Linac 上利用可解释深度展开网络实现存在 B0 不均匀性的图像重建
医学物理
2024-04-16 v1 图像与视频处理
摘要
MRI-Linac 系统需要具有高几何保真度的快速图像重建，以便在放射治疗中对肿瘤进行定位和跟踪。然而，B0 场不均匀性畸变和缓慢的 MR 采集可能会限制图像引导和肿瘤治疗的质量。在本研究中，我们开发了一种可解释的展开网络，称为 RebinNet，用于从受 B0 不均匀性破坏的 k-space 重建无畸变图像，以实现快速 MRI 引导的放射治疗应用。RebinNet 包含用于执行图像正则化的卷积神经网络 (CNN) 模块，以及用于纳入 B0 不均匀性信息的非均匀快速傅里叶变换 (NUFFT) 模块。RebinNet 在来自十一名健康志愿者的公开 MR 数据集上进行训练，涵盖了全采样和欠采样采集。从开放式 1T MRI-Linac 扫描仪获取的网格体模和人脑图像被用于评估所提出网络的性能。在均方根误差 (RMSE)、结构相似性 (SSIM)、残余畸变和计算时间方面，将 RebinNet 与传统正则化算法和我们最近开发的 UnUNet 方法进行了比较。成像结果表明，对于模拟脑图像，RebinNet 在四倍加速下重建图像的 RMSE 最低 (<0.05) 且 SSIM 最高 (>0.92)。与传统正则化方法相比，RebinNet 能够更好地保留结构细节并显著提高计算效率（快十倍），并且比 UnUNet 方法具有更好的泛化能力。所提出的 RebinNet 能够同时实现快速图像重建并克服 B0 不均匀性畸变，这将有助于在放射治疗中实现准确且快速的图像引导。
引用
@article{arxiv.2404.09436,
title = {Image Reconstruction with B0 Inhomogeneity using an Interpretable Deep Unrolled Network on an Open-bore MRI-Linac},
author = {Shanshan Shan and Yang Gao and David E. J. Waddington and Hongli Chen and Brendan Whelan and Paul Z. Y. Liu and Yaohui Wang and Chunyi Liu and Hongping Gan and Mingyuan Gao and Feng Liu},
journal= {arXiv preprint arXiv:2404.09436},
year = {2024}
}