心脏 MRI 重构的基座模型

近年来，基于机器学习 (ML) 的重构方法在心脏磁共振 (CMR) 成像中得到广泛研究和应用。ML 基于重构的方法能够在显著加速的扫描下提供临床可接受的图像质量。然而，ML 基于的重构方法也需要大量数据和计算时间来训练神经网络，这些网络通常针对固定的加速率或图像对比度进行优化。在实践中， imaging 参数常常根据诊断需求进行调整，这可能与训练数据不同，导致图像质量下降，同时需要训练多个网络来满足临床需求。本研究提出了一种基座模型，该模型使用自适应展开、通道偏移以及 Pattern and Contrast-Prompt-UNet (PCP-UNet) 来解决上述问题。具体而言，受采样数据会根据其加速率经过不同的展开迭代次数。通道偏移提高了重构数据的质量。PCP-UNet 配备了图像对比度和采样模式提示。在体内 CMR 实验中，使用混合的图像对比度、加速率和(不)采样模式进行了实验。所提出的基座模型在广泛的 CMR 协议下显著提高了图像质量，并优于传统 ML 方法。