LAPNet：基于 k-空间推导的磁共振成像非刚性配准方法
图像与视频处理
2021-07-21 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
在磁共振(MR)图像采集过程中的生理运动（如心脏与呼吸运动）会引起图像伪影。已有运动校正技术被提出以补偿胸部扫描中的此类运动，其依赖于从欠采样运动分辨重建中准确估计运动。一个特别的关注点与挑战在于从欠采样运动分辨数据中推导可靠的非刚性运动场。运动估计通常在图像空间中通过扩散、参数样条或光流方法表述。然而，基于图像的配准会受到欠采样运动分辨重建所致剩余混叠伪影的影响。在本工作中，我们描述了一种直接在采样傅里叶空间（即 k-空间）中执行非刚性配准的形式化方法。我们提出了一种基于深度学习的方法，从欠采样 k-空间数据执行快速且准确的非刚性配准。其基本工作原理源于局部全通(LAP)技术，一种近期引入的基于光流的配准方法。所提出的 LAPNet 与传统的及深度学习的基于图像的配准进行了比较，并在 40 名疑似肝或肺转移瘤患者与 25 名健康受试者的全采样与高加速（采用两种欠采样策略）3D 呼吸运动分辨 MR 图像上进行了测试。所提出的 LAPNet 在不同采样轨迹与加速因子下均提供了一致且优于基于图像方法的表现。
引用
@article{arxiv.2107.09060,
title = {LAPNet: Non-rigid Registration derived in k-space for Magnetic Resonance Imaging},
author = {Thomas Küstner and Jiazhen Pan and Haikun Qi and Gastao Cruz and Christopher Gilliam and Thierry Blu and Bin Yang and Sergios Gatidis and René Botnar and Claudia Prieto},
journal= {arXiv preprint arXiv:2107.09060},
year = {2021}
}