用于高度加速肝脏4D MRI的配对条件生成对抗网络
图像与视频处理
2024-05-22 v1 计算机视觉与模式识别
摘要
目的：高时空分辨率的4D MRI是图像引导肝脏放射治疗所需的。密集采样k空间数据耗时。使用稀疏样本的加速采集是可取的，但通常会导致图像质量下降或重建时间过长。我们提出Reconstruct Paired Conditional Generative Adversarial Network (Re-Con-GAN)以缩短4D MRI重建时间，同时保持重建质量。方法：纳入接受自由呼吸肝脏4D MRI的患者。首先使用nuFFT算法重建3、6和10倍（3x、6x和10x）的全采样和回顾性欠采样数据。然后Re-Con-GAN成对训练输入和输出。探索了三种类型的网络：ResNet9、UNet和重建swin transformer作为生成器。选择PatchGAN作为判别器。Re-Con-GAN将数据（3D+t）作为时间切片（2D+t）处理。总共48名患者12332个时间切片被分为训练集（37名患者10721个切片）和测试集（11名患者1611个切片）。结果：与CS/UNet模型相比，Re-Con-GAN始终获得可比/更好的PSNR、SSIM和RMSE分数。Re-Con-GAN、UNet和CS的推理时间分别为0.15s、0.16s和120s。GTV检测任务显示，与UNet相比，Re-Con-GAN和CS更好地提高了未处理欠采样图像（3x 69.61%）的Dice分数（3x Re-Con-GAN 80.98%；3x CS 80.74%；3x UNet 79.88%）。结论：提出了一种带有对抗训练的生成网络，并在内部数据集上展示了有前景且高效的重建结果。快速且高质量的4D肝脏MR重建有可能促进肝癌的在线自适应MR引导放射治疗。
引用
@article{arxiv.2405.12357,
title = {Paired Conditional Generative Adversarial Network for Highly Accelerated Liver 4D MRI},
author = {Di Xu and Xin Miao and Hengjie Liu and Jessica E. Scholey and Wensha Yang and Mary Feng and Michael Ohliger and Hui Lin and Yi Lao and Yang Yang and Ke Sheng},
journal= {arXiv preprint arXiv:2405.12357},
year = {2024}
}