用于5D MRI的运动补偿无监督深度学习
图像与视频处理
2023-09-12 v1 信号处理
摘要
我们提出一种无监督深度学习算法，用于从3D径向采集中对5D心脏MRI数据进行运动补偿重建。非门控自由呼吸5D MRI简化了扫描规划、提升患者舒适度，并相较屏气2D检查具有若干临床优势，包括各向同性空间分辨率及将数据重切片至任意视图的能力。然而，当前5D MRI重建算法计算耗时极长，且结果高度依赖于将采集数据分箱至不同生理相位的均匀性。所提算法相较当前运动分辨重建是一种更具数据效率的替代方案。该运动补偿方法将各心脏/呼吸分箱中的数据建模为3D图像模板形变版本的傅里叶样本。形变映射由受生理相位信息驱动的卷积神经网络建模。形变映射与模板随后从测量数据中联合估计。心脏与呼吸相位由一维导航器利用自编码器估计。所提算法在两名受试者采集的5D bSSFP数据集上进行了验证。
引用
@article{arxiv.2309.04552,
title = {Motion Compensated Unsupervised Deep Learning for 5D MRI},
author = {Joseph Kettelkamp and Ludovica Romanin and Davide Piccini and Sarv Priya and Mathews Jacob},
journal= {arXiv preprint arXiv:2309.04552},
year = {2023}
}
备注
MICCAI 2023 conference paper