MANTIS：用于高效MR T2映射的模型增强型神经网络与不相干k空间采样
计算机视觉与模式识别
2018-09-11 v1 机器学习
摘要
磁共振（MR）参数的定量映射已被证明是改进一系列疾病评估的宝贵方法。由于需要对解剖结构多次成像，相较于常规静态成像，参数映射通常所需扫描时间较长。因此，加速参数映射极为必要，且仍是MR研究界高度关注的话题。尽管许多近期深度学习方法聚焦于常规静态MR成像的高效图像重建，深度学习在动态成像尤其是加速参数映射中的应用仍有限。本工作的目的是开发并评估一种称为模型增强型神经网络与不相干k空间采样（MANTIS）的新型基于深度学习的重建框架，用于高效MR参数映射。我们的方法将端到端CNN映射与利用循环损失概念的k空间一致性结合，以进一步保证数据与模型保真度。采用不相干k空间采样以提升重建性能。所提框架中融入了物理模型，从而可从欠采样图像中高效直接估计参数图。MANTIS的性能在膝关节自旋-自旋弛豫时间（T2）映射中得到展示。相较于利用图像稀疏性的常规重建方法，MANTIS在T2估计中相对于参考值产生更低误差与更高相似度。我们的研究表明，所提MANTIS框架结合端到端CNN映射、信号模型增强数据一致性与不相干k空间采样，代表了一种有前景的高效MR参数映射方法。MANTIS有望通过适当模型扩展至其他类型参数映射。
引用
@article{arxiv.1809.03308,
title = {MANTIS: Model-Augmented Neural neTwork with Incoherent k-space Sampling for efficient MR T2 mapping},
author = {Fang Liu and Li Feng and Richard Kijowski},
journal= {arXiv preprint arXiv:1809.03308},
year = {2018}
}