在 DCE-MR 肾脏功能成像重建中学习正则化
机器学习
2022-01-03 v2 计算机视觉与模式识别
摘要
肾脏 DCE-MRI 旨在通过估计示踪动力学（TK）模型参数，实现肾脏解剖的定性评估和肾脏功能的定量评估。准确估计 TK 模型参数需要以高时间分辨率精确测量动脉输入函数（AIF）。加速成像用于实现高时间分辨率，这会在重建图像中引入欠采样伪影。压缩感知（CS）方法提供了多种重建选择。最常见的是，鼓励时间差分的稀疏性作为正则化以减少伪影。在 CS 方法中增加正则化可消除环境伪影，但也会在时间上过度平滑信号，从而降低参数估计精度。本工作中，我们提出一种单图像训练的深层神经网络，以在降低 MRI 欠采样伪影的同时不损失功能成像标记的准确性。我们并非在优化中用惩罚项进行正则化，而是通过从低维表示生成图像来促进正则化。本文中我们阐述并解释了低维输入的设计。我们将该方法与具有多重正则化权重的 CS 重建进行比较。所提方法得到的肾脏生物标记物与利用为功能分析优化的 CS 重建估计的基准真值标记物高度相关。同时，所提方法减少了重建图像中的伪影。
引用
@article{arxiv.2109.07548,
title = {Learning the Regularization in DCE-MR Image Reconstruction for Functional Imaging of Kidneys},
author = {Aziz Koçanaoğulları and Cemre Ariyurek and Onur Afacan and Sila Kurugol},
journal= {arXiv preprint arXiv:2109.07548},
year = {2022}
}