k-t NEXT：利用时空相关性的动态 MR 图像重建
图像与视频处理
2019-07-23 v1 计算机视觉与模式识别
摘要
动态磁共振成像（MRI）在 k 空间和时间内表现出高度相关性。为了加速动态 MR 成像并从高度欠采样数据中利用 k-t 相关性，我们在此提出一种基于深度学习的新颖动态 MR 图像重建方法，称为 k-t NEXT（具有 X-f 变换的 k-t 网络，k-t NEtwork with X-f Transform）。特别地，受 k-t BLAST 和 k-t FOCUSS 等传统方法的启发，我们提出在 x-f 域中从混叠信号重建真实信号，以利用时空冗余。在此基础上，所提方法随后以迭代方式在 x-f 空间和图像空间之间交替重建过程来学习恢复信号。这使得网络能够有效捕获有用信息，并从两个互补域中联合利用时空相关性。在高度欠采样的短轴心脏电影 MRI 扫描上进行的实验表明，我们提出的方法在定量和定性上均优于当前最先进的动态 MR 重建方法。
引用
@article{arxiv.1907.09425,
title = {k-t NEXT: Dynamic MR Image Reconstruction Exploiting Spatio-temporal Correlations},
author = {Chen Qin and Jo Schlemper and Jinming Duan and Gavin Seegoolam and Anthony Price and Joseph Hajnal and Daniel Rueckert},
journal= {arXiv preprint arXiv:1907.09425},
year = {2019}
}
备注
This paper is accepted by MICCAI 2019