面向欠采样MRI重建的扫描特异性自监督贝叶斯深度非线性反演
图像与视频处理
2024-02-14 v4 医学物理
摘要
磁共振成像由于数据采样的固有限制，采集时间较慢。近来，有监督深度学习已成为一种有前景的亚采样磁共振成像重建技术。然而，有监督深度学习需要大量全采样数据集。尽管无监督或自监督深度学习方法已经出现，以解决有监督深度学习方法的局限性，但它们仍然需要一个图像数据库。相比之下，扫描特异性深度学习方法仅使用单次扫描的亚采样数据进行学习和重建。在此，我们引入扫描特异性自监督贝叶斯深度非线性反演（DNLINV），该方法不需要自动校准扫描区域。DNLINV 利用深度图像先验类型的生成建模方法，并依赖近似贝叶斯推断来正则化深度卷积神经网络。我们在多种解剖结构、对比度和采样模式上展示了我们的方法，并证明其在扫描特异性无校准并行成像和压缩感知方面优于现有方法。
引用
@article{arxiv.2203.00361,
title = {Scan-specific Self-supervised Bayesian Deep Non-linear Inversion for Undersampled MRI Reconstruction},
author = {Andrew P. Leynes and Nikhil Deveshwar and Srikantan S. Nagarajan and Peder E. Z. Larson},
journal= {arXiv preprint arXiv:2203.00361},
year = {2024}
}