用于可逆 MR 线圈压缩的变量增广网络
计算机视觉与模式识别
2022-03-22 v2 医学物理
摘要
大量线圈能够在并行成像中提供增强的信噪比并改善成像性能。然而，线圈数量的日益增长同时加剧了数据存储与重建速度的弊端，尤其在部分迭代重建中。线圈压缩通过生成更少的虚拟线圈来解决这些问题。本工作中，提出一种用于可逆线圈压缩的新型变量增广网络，称为 VAN-ICC。它利用基于归一化流（normalizing flow）模型的固有可逆性实现高精度压缩与可逆恢复。通过对来自多线圈的图像/k 空间变量采用变量增广技术，VAN-ICC 通过寻找一个可逆双射函数来进行可逆网络训练，该函数能将原始数据映射到压缩数据并反之。在完全采样与欠采样数据上进行的实验验证了 VAN-ICC 的有效性与灵活性。与传统非深度学习方法的定量与定性比较表明，VAN-ICC 能带来高得多的压缩效果。此外，其性能不易受不同虚拟线圈数量的影响。
引用
@article{arxiv.2201.07428,
title = {Variable Augmented Network for Invertible MR Coil Compression},
author = {Xianghao Liao and Shanshan Wang and Lanlan Tu and Yuhao Wang and Dong Liang and Qiegen Liu},
journal= {arXiv preprint arXiv:2201.07428},
year = {2022}
}