LINEAR：用于加速定性 T1rho 成像的基于显式物理先验的隐式神经表示学习方法
图像与视频处理
2024-07-25 v2
摘要
定量 T1rho 成像在临床和研究研究中显示出广泛前景。然而，其扫描时间较长。深度学习技术已成功应用于加速定量 MRI 参数成像。然而，大多数方法需要完全采样的训练数据集，而这在临床环境中是不实用的。在本研究中，提出了一种基于隐式神经表示的 novel subject-specific 无监督方法，用于从高度欠采样的 k 空间数据重建 T1rho 加权图像，该方法仅以时空坐标作为输入。具体而言，提出的方法通过两个来自 T1rho 成像物理模型的显式先验驱动学习 MR 图像的隐式神经表示，包括信号弛豫先验和 k-t 空间数据自洽性先验。该方法的性能使用了 Retrospective 和 Prospective 欠采样 k 空间数据进行验证。实验结果表明，LINEAR 可实现最高达 14 倍的加速因子，并在抑制伪影和实现最低误差方面优于当前最先进的方法。
引用
@article{arxiv.2407.05617,
title = {LINEAR: Learning Implicit Neural Representation With Explicit Physical Priors for Accelerated Quantitative T1rho Mapping},
author = {Yuanyuan Liu and Jinwen Xie and Zhuo-Xu Cui and Qingyong Zhu and Jing Cheng and Dong Liang and Yanjie Zhu},
journal= {arXiv preprint arXiv:2407.05617},
year = {2024}
}
备注
Yuanyuan Liu and Jinwen Xie contributed equally to this work