用于脑部 MRI 的 SISMIK：基于深度学习的 k 空间运动估计与基于模型的运动校正
图像与视频处理
2024-11-05 v3 人工智能
计算机视觉与模式识别
摘要
MRI 作为一种广泛使用的非侵入性医学成像模态，对患者运动高度敏感。尽管多年来进行了许多尝试，运动校正仍然是一个难题，且没有适用于所有情况的通用方法。我们提出了一种回顾性运动估计与校正方法，以解决面内刚体运动问题，适用于临床实践中常规使用的经典 2D 自旋回波脑部扫描。由于 k 空间的顺序采集，运动伪影具有良好的局部化特性。该方法利用深度神经网络的强大能力在 k 空间中估计运动参数，并使用基于模型的方法来恢复退化图像，以避免“幻觉”。其显著优势在于无需无运动参考即可估计发生在高空间频率处的运动。所提出的方法在整个 k 空间动态范围上运行，且受高次谐波较低信噪比（SNR）的影响较小。作为概念验证，我们提供了基于 43 名不同受试者的无运动扫描的 60 万次运动模拟进行监督学习训练的模型。泛化性能通过模拟和体内实验进行了测试。我们展示了运动参数估计和图像重建的定性和定量评估。实验结果表明，我们的方法能够在模拟数据和体内采集上获得良好的泛化性能。我们在 https://gitlab.unige.ch/Oscar.Dabrowski/sismik_mri/ 提供了 Python 实现。
引用
@article{arxiv.2312.13220,
title = {SISMIK for brain MRI: Deep-learning-based motion estimation and model-based motion correction in k-space},
author = {Oscar Dabrowski and Jean-Luc Falcone and Antoine Klauser and Julien Songeon and Michel Kocher and Bastien Chopard and François Lazeyras and Sébastien Courvoisier},
journal= {arXiv preprint arXiv:2312.13220},
year = {2024}
}