LARO：用于加速定量磁化率成像的学习型采集与重建优化
图像与视频处理
2022-11-03 v1 计算机视觉与模式识别
摘要
定量磁化率映射（QSM）涉及在多回波时间点采集与重建一系列图像以估计组织场，这延长了扫描时间并需要特定的重建技术。在本文中，我们提出称为学习型采集与重建优化（LARO）的新框架，旨在加速用于 QSM 的多回波梯度回波（mGRE）脉冲序列。我们的方法利用深度重建网络优化笛卡尔多回波 k 空间采样模式。随后，该优化采样模式通过笛卡尔扇形束 k 空间分割与排序在 mGRE 序列中实现以用于前瞻性扫描。此外，我们提出在重建网络中插入循环时间特征融合模块以捕获沿回波时间的信号冗余。我们的消融研究表明，优化的采样模式与所提重建策略均有助于提升多回波图像重建质量。泛化实验表明 LARO 在对带有新病症与不同序列参数的测试数据上具鲁棒性。我们的代码可在 https://github.com/Jinwei1209/LARO.git 获取。
引用
@article{arxiv.2211.00725,
title = {LARO: Learned Acquisition and Reconstruction Optimization to accelerate Quantitative Susceptibility Mapping},
author = {Jinwei Zhang and Pascal Spincemaille and Hang Zhang and Thanh D. Nguyen and Chao Li and Jiahao Li and Ilhami Kovanlikaya and Mert R. Sabuncu and Yi Wang},
journal= {arXiv preprint arXiv:2211.00725},
year = {2022}
}