JoJoNet：面向多对比度 MRI 的联合对比与联合采样重建网络
图像与视频处理
2022-10-28 v2 计算机视觉与模式识别
摘要
多对比度磁共振成像（MRI）生成具有丰富且互补信息的多幅医学图像以供常规临床使用；然而，其采集时间长。近期用于加速 MRI 的工作主要面向单对比度设计，可能并非多对比度场景的最优方案，因为多对比度图像间的内在相关性未被利用。此外，各对比度的独立重建通常不能转化为下游任务的最优性能。受这些方面启发，本文设计了一个端到端框架以加速多对比度 MRI，其同时优化整个 MR 成像流程，包括采样、重建与下游任务，以获得最佳总体结果。所提框架由每个图像对比度的采样掩码生成器，以及利用对比度间相关性并具有递归结构（可实现整体信息共享）的重建器组成。采样掩码生成器与重建器跨多个图像对比度联合训练。每个图像对比度的加速比亦可学习，并可由下游任务性能驱动。我们在多对比度脑数据集与多对比度膝数据集上验证本方法。实验表明：（1）我们的框架在两个数据集上均一致优于为单对比度设计的基线；（2）我们新设计的递归重建网络有效提升了多对比度图像的重建质量；（3）可学习加速比显著改善了下游任务性能。总体而言，本工作有潜力为优化整个多对比度 MR 成像流程开辟新途径。
引用
@article{arxiv.2210.12548,
title = {JoJoNet: Joint-contrast and Joint-sampling-and-reconstruction Network for Multi-contrast MRI},
author = {Lin Zhao and Xiao Chen and Eric Z. Chen and Yikang Liu and Dinggang Shen and Terrence Chen and Shanhui Sun},
journal= {arXiv preprint arXiv:2210.12548},
year = {2022}
}