用于扩散张量心脏MRI重建的随机深度压缩感知
计算机视觉与模式识别
2018-05-31 v1
摘要
在心肌细胞及其聚集体微观尺度上理解心脏结构，为心脏疾病机制提供了新见解，并有助于有效疗法的研究。扩散张量心脏磁共振（DT-CMR）是一种独特的非侵入性技术，可在无需外源对比剂的情况下解析心肌的微观结构、排布与完整性。然而，该技术受信噪比（SNR）相对较低以及因呼吸与心脏运动导致信号频繁丢失的困扰。当前DT-CMR技术依赖采集并平均多次信号以获取以提高SNR。此外，为减轻呼吸运动影响，患者需进行多次屏气，导致采集时间延长（如现有技术约30分钟）。本研究提出一种新颖的基于级联卷积神经网络（CNN）的压缩感知（CS）技术，并探索其在改善DT-CMR采集中的适用性。我们基于仿真的研究实现了高重建保真度，且所提重建获得的DT-CMR参数与全采样真值间具有良好一致性。与其他最先进方法相比，我们提出的深度级联CNN方法及其随机变体均展现出显著改进。据我们所知，这是首项使用深度CNN基CS进行DT-CMR重建的研究。此外，通过对采集方案相对直接的修改，我们的方法可轻易转化为在线、扫描仪端重建方法，从而在多种临床应用中部署加速DT-CMR。
引用
@article{arxiv.1805.12064,
title = {Stochastic Deep Compressive Sensing for the Reconstruction of Diffusion Tensor Cardiac MRI},
author = {Jo Schlemper and Guang Yang and Pedro Ferreira and Andrew Scott and Laura-Ann McGill and Zohya Khalique and Margarita Gorodezky and Malte Roehl and Jennifer Keegan and Dudley Pennell and David Firmin and Daniel Rueckert},
journal= {arXiv preprint arXiv:1805.12064},
year = {2018}
}
备注
Accepted for MICCAI 2018