基于模型的合成数据驱动学习（MOST-DL）：在重叠回波采集的严重头部运动单次 T2 映射中的应用
图像与视频处理
2022-05-31 v3
摘要
合成数据的使用为解决基于深度学习的磁共振成像（MRI）中训练样本不可用或不足的问题提供了潜在方案。然而，合成数据与真实数据之间的域间隙带来的挑战常被遇到，尤其在复杂实验条件下。本研究结合 Bloch 模拟与通用 MRI 模型，提出一种用于解决监督学习场景中训练数据缺乏的框架，称为 MOST-DL。我们展示了一项具有挑战性的应用以验证所提框架，并利用单次重叠回波采集实现运动鲁棒的 T2 映射。我们将该过程分解为两个主要步骤：（1）用于超快速脉冲序列的无校准并行重建；（2）用于 T2 映射的帧内运动校正。为弥合域间隙，我们探索了来自公共数据库的逼真纹理及各种不完善性模拟。该神经网络首先用纯合成数据训练，然后用体内人脑进行评估。仿真与体内实验均表明，MOST-DL 方法在存在不可预测受试者运动时显著减少了 T2 图中的重影与运动伪影，并有望应用于临床中易动的患者。
引用
@article{arxiv.2107.14521,
title = {Model-based Synthetic Data-driven Learning (MOST-DL): Application in Single-shot T2 Mapping with Severe Head Motion Using Overlapping-echo Acquisition},
author = {Qinqin Yang and Yanhong Lin and Jiechao Wang and Jianfeng Bao and Xiaoyin Wang and Lingceng Ma and Zihan Zhou and Qizhi Yang and Shuhui Cai and Hongjian He and Congbo Cai and Jiyang Dong and Jingliang Cheng and Zhong Chen and Jianhui Zhong},
journal= {arXiv preprint arXiv:2107.14521},
year = {2022}
}
备注
15 pages, 13 figures