用于 4D 腹部与宫内 MR 成像的自监督循环神经网络
图像与视频处理
2019-08-29 v1 计算机视觉与模式识别
机器学习
摘要
准确估计并校正运动伪影对于腹部与宫内磁共振成像（MRI）的 3D 图像重建至关重要。现有最优方法基于切片到体素配准（SVR），需以三个正交方向采集多组 2D 图像栈。本工作中，我们提出一种新颖重建流程，仅需单一方向的 2D MRI 扫描，即可在无掩膜或配准步骤下重建完整高分辨率图像。该框架含两个主要阶段：首先利用自监督循环神经网络估计呼吸运动，学习自然嵌入于邻域切片非对称关系中的呼吸信号，并按呼吸状态聚类；随后训练 3D 反卷积网络，借助集成重建与全变分损失对稀疏选取的 2D 图像进行超分辨率（SR）重建。我们在 5 幅仿真图像上评估分类精度，并将结果与成人腹部及宫内 MRI 扫描中的 SVR 方法比较。结果表明，所提流程能准确估计呼吸状态，并以少于 20% 的稀疏选取切片重建出与 3D SVR 流程性能相当或更优的 4D SR 体数据。该方法在临床实践中变革 4D 腹部与宫内 MRI 极具潜力。
引用
@article{arxiv.1908.10842,
title = {Self-supervised Recurrent Neural Network for 4D Abdominal and In-utero MR Imaging},
author = {Tong Zhang and Laurence H. Jackson and Alena Uus and James R. Clough and Lisa Story and Mary A. Rutherford and Joseph V. Hajnal and Maria Deprez},
journal= {arXiv preprint arXiv:1908.10842},
year = {2019}
}
备注
Accepted by MICCAI 2019 workshop on Machine Learning for Medical Image Reconstruction