用于加速首次通过灌注心脏 MRI 的物理信息自监督深度学习重建
图像与视频处理
2023-01-06 v1 机器学习
医学物理
摘要
首次通过灌注心脏磁共振（FPP-CMR）正成为检测心肌血流不足的重要无创成像方法，可用于评估冠心病。然而，其采集存在空间分辨率较低和心脏覆盖范围有限的问题。已有压缩感知（CS）方法被提出用于加速 FPP-CMR 并获得更高空间分辨率。但是，较长的重建时间限制了 CS 在 FPP-CMR 中的广泛临床应用。基于监督学习的深度学习技术已成为加速重建的替代方案。然而，这些方法需要全采样数据进行训练，而这是无法获取的，尤其是高分辨率 FPP-CMR 图像。在此，我们提出一种物理信息自监督深度学习 FPP-CMR 重建方法，用于加速 FPP-CMR 扫描，从而促进高空间分辨率成像。所提方法可从 10 倍欠采样数据中提供高质量 FPP-CMR 图像，且无需使用全采样参考数据。
引用
@article{arxiv.2301.02033,
title = {Physics-informed self-supervised deep learning reconstruction for accelerated first-pass perfusion cardiac MRI},
author = {Elena Martín-González and Ebraham Alskaf and Amedeo Chiribiri and Pablo Casaseca-de-la-Higuera and Carlos Alberola-López and Rita G Nunes and Teresa M Correia},
journal= {arXiv preprint arXiv:2301.02033},
year = {2023}
}
备注
Workshop on Machine Learning for Medical Image Reconstruction, MLMIR 2021, held in Conjunction with MICCAI 2021