利用高效循环推断机重建未见模态与病灶

目的：利用循环推断机（RIM）实现高效的图像重建学习，同时不严格依赖于训练数据分布，从而仍能准确恢复未见的模态与病灶。方法：理论上，RIM学习解决加速MRI重建的逆问题，并对可变成像条件具有鲁棒性。研究了不同训练数据集下的效率与泛化能力，以及复杂度递减的循环网络单元：门控循环单元（GRU）、最小门控单元（MGU）和独立循环神经网络（IndRNN），以缩短推理时间。与压缩感知（CS）进行对比验证，并基于训练期间未见过的数据进一步评估。通过重建模拟的白质病变和一名多发性硬化患者的前瞻性欠采样数据进行病灶研究。结果：仅在单模态3T $T_1$加权脑部数据上训练，似乎已足以重建7T $T_{2}^*$加权脑部数据和3T $T_2$加权膝关节数据。IndRNN是一种高效的循环单元，与CS相比推理时间减少68%，同时保持性能。当在$T_2$加权膝关节数据上训练时，RIM比CS更准确地重建训练期间未见的病变。在$T_1$加权脑部数据和组合数据上训练，相比CS略增强了信号。结论：降低复杂度的RIM具有高效性，可缩短推理时间，同时仍能够重建训练期间未见过的数据与病灶。