基于卷积网络辅助重构Swin Transformer的动态MRI重建学习
图像与视频处理
2023-09-20 v1 计算机视觉与模式识别
摘要
动态磁共振成像（DMRI）是一种用于需要特定解剖结构运动追踪的诊断任务的有效成像工具。为加速DMRI采集，通常在空间或时空域对k空间测量进行欠采样。随着欠采样率的增加，恢复有用信息的难度也随之增大。压缩感知为此目的而被发明，并已成为最流行的方法，直到过去十年中基于深度学习（DL）的DMRI重建方法出现。然而，现有的DL网络在长程序列依赖理解和计算效率方面仍有限制，且未完全自动化。考虑到Transformer的位置嵌入和“swin窗口”自注意力机制在视觉领域（尤其是自然视频理解）的成功，我们在此提出一种名为重构Swin Transformer（RST）的用于4D MRI的新架构。RST继承了Video Swin Transformer的骨干设计，并引入了一个新的重构头以恢复逐像素强度。一个名为SADXNet的卷积网络用于在RST学习之前快速初始化2D MR帧，从而有效降低模型复杂度、GPU硬件需求和训练时间。在心脏4D MR数据集上的实验结果进一步证实了RST的优越性，在9倍加速验证序列上取得了0.0286 ± 0.0199的最低RMSE和0.0872 ± 0.0783的1 - SSIM。
引用
@article{arxiv.2309.10227,
title = {Learning Dynamic MRI Reconstruction with Convolutional Network Assisted Reconstruction Swin Transformer},
author = {Di Xu and Hengjie Liu and Dan Ruan and Ke Sheng},
journal= {arXiv preprint arXiv:2309.10227},
year = {2023}
}
备注
MICCAI 2023 Workshop