基于模型的深度学习用于联合 k-q 欠采样高分辨率扩散 MRI 重建
图像与视频处理
2020-01-24 v1
摘要
我们提出一种基于模型的深度学习架构，用于重建高度加速的扩散磁共振成像（MRI），从而实现高分辨率成像。所提出的重建方法在并行 MRI 设置下，从联合 k-q 欠采样采集数据中，以单步联合恢复所有扩散加权图像。我们提出将预训练去噪器作为基于模型重建中的正则化项，用于恢复高度欠采样数据，此为新颖用法。具体而言，我们基于用于多室建模的通用扩散 MRI 组织微结构模型设计了该去噪器。通过使用多室微结构模型的大范围生物学合理参数值，我们模拟了覆盖整个微结构参数空间的扩散信号。以无监督方式使用自编码器训练神经网络以学习扩散 MRI 信号子空间。我们将该自编码器用于基于模型的重建，并展示自编码器提供了强大的去噪先验以恢复 q 空间信号。我们在模拟脑数据集上展示了重建结果，表明所提方法具有高加速能力。
引用
@article{arxiv.2001.08307,
title = {Model-Based Deep Learning for Reconstruction of Joint k-q Under-sampled High Resolution Diffusion MRI},
author = {Merry P. Mani and Hemant K. Aggarwal and Sanjay Ghosh and Mathews Jacob},
journal= {arXiv preprint arXiv:2001.08307},
year = {2020}
}
备注
4 pages, 4 figures, and 1 table