Using synthetic fractals to train deep learning-based dynamic MR image reconstruction
计算机视觉与模式识别
2026-04-01 v1 人工智能
摘要
目的：探讨是否可以使用合成分形数据训练深度学习模型用于动态磁共振重建，从而避免心脏MR训练数据集所存在的隐私、授权和获取限制。方法：生成一个训练数据集，利用四元数 Julia 分形生成 2D+time 图像。模拟多导管 MRI 采集，以生成配对的完全采样和径向不足采样的 k 空间数据。使用这些分形数据训练一个 3D UNet 深度损伤抑制模型（F-DL），并与在心脏 MRI 数据上训练的相同模型（CMR-DL）进行比较。两个模型都在 10 名患者的原发性径向实时心脏 MRI 上进行评估。重建结果与压缩性信号（CS）和低秩深度图像先验（LR-DIP）进行比较。所有重建结果都被排序以评估图像质量，而心房容积和射血分数则与呼吸停顿对照 cine MRI 进行比较。结果：在定性排名方面，F-DL 和 CMR-DL 之间没有显著差异（p=0.9），而两者都优于 CS 和 LR-DIP（p<0.001）。来自 F-DL 的心房容积和功能与 CMR-DL 相似，显示出无显著偏差且可接受的误差范围，与对照 cine 成像相当。然而，LR-DIP 存在显著偏差（p=0.016）且误差范围更大。结论：使用合成分形数据训练的深度学习模型能够重建实时心脏 MRI，其图像质量和临床测量值与在真实心脏 MRI 数据上训练的模型相当。分形训练数据提供了一个开放、可扩展的临床数据集替代方案，可能有助于开发更通用的动态 MRI 重建深度学习模型。
引用
@article{arxiv.2603.29922,
title = {Training deep learning based dynamic MR image reconstruction using synthetic fractals},
author = {Anirudh Raman and Olivier Jaubert and Mark Wrobel and Tina Yao and Ruaraidh Campbell and Rebecca Baker and Ruta Virsinskaite and Daniel Knight and Michael Quail and Jennifer Steeden and Vivek Muthurangu},
journal= {arXiv preprint arXiv:2603.29922},
year = {2026}
}