基于深度CNN显式运动估计的梯度回波MRI回顾性运动校正
计算机视觉与模式识别
2023-03-31 v1 数值分析
数值分析
摘要
磁共振成像可进行高分辨率数据采集，缺点是因采集时间较长而对运动敏感。即使在单张 2D 切片的采集过程中，运动也会严重破坏图像。回顾性运动校正策略不在采集期间干预，而是对受运动影响的数据进行处理。适用于该场景的已知方法包括压缩感知（CS）、生成对抗网络（GANs）和运动估计。本文中，我们提出一种利用深度卷积神经网络（Deep CNNs）通过显式运动估计以可靠且可验证的方式校正运动伪影的策略。多个接收线圈提供的敏感度编码（SENSE）冗余过去被用于加速、降噪和刚性运动补偿。我们展示使用深度 CNN 可将刚性运动补偿的概念推广到更复杂的运动场。使用模拟合成数据集，我们所提出的监督网络在腹部和头部的运动 corrupted MRI 上进行了评估。我们将结果与刚性运动补偿和 GANs 进行比较。
引用
@article{arxiv.2303.17239,
title = {Retrospective Motion Correction in Gradient Echo MRI by Explicit Motion Estimation Using Deep CNNs},
author = {Mathias S. Feinler and Bernadette N. Hahn},
journal= {arXiv preprint arXiv:2303.17239},
year = {2023}
}
备注
19 pages, 6 figures, 3 tables