.png){kind=icon}
返回
Encoding sampling pattern for robust and generalized MRI reconstruction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111772.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对磁共振成像（MRI）重建任务，当前基于深度学习的方法已取得有前景的性能。然而，它们大多面临两个主要问题：(1) 对于大多数当前的MRI重建方法，下采样模式通常预先设定，这使得难以灵活处理训练数据和测试数据在不同采样设置下获得的复杂真实场景，从而限制了模型的泛化能力。(2) 它们未能将下采样模式估计和高分辨率MRI重建之间的物理成像机制充分融入针对该特定任务的深度网络设计中。为缓解这些问题，我们提出了一种模型驱动的MRI重建网络MXNet，通过将掩码编码到网络中来考虑欠采样模式与成像之间的关系。具体而言，基于MR物理成像过程，我们首先联合优化下采样模式与MRI重建网络。然后，基于所提出的优化算法和深度展开技术，我们相应地构建了深度网络，其中MRI重建的物理成像机制被完全嵌入到整个学习过程中。基于训练数据和测试数据之间的不同设置（包括一致和不一致的下采样模式），大量实验全面证实了我们提出的MXNet在详细重建方面的有效性及其良好的泛化能力。此外，我们提供了详细的模型分析，并验证了所提出的框架具有良好的泛化能力，当欠采样掩码准确可用时，它仍能实现卓越的性能。代码可在https://github.com/sunliyangna0705/MXNet获取。
Keyword:
MR imaging
Reconstruction
Model drift
Sampling pattern
Encoder mask
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
MHF-Net: An Interpretable Deep Network for Multispectral and Hyperspectral Image FusionMhf-net: 用于多光谱和高光谱图像融合的可解释的深度网络
PREAI
分享收藏分享收藏Varying undersampling directions for accelerating multiple acquisition magnetic resonance imaging
PREAI
分享收藏Simultaneously optimizing sampling pattern for joint acceleration of multi-contrast MRI using model-based deep learning.png)
MEDICAL PHYSICS
MEDICAL PHYSICSIF3.2
PREAI
分享收藏
分享收藏
查看更多内容