.png){kind=icon}
返回
Singular value decomposition based under-sampling pattern optimization for MRI reconstruction
.png){kind=icon}
PRE
AI
DOI：10.1002/mp.17860.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：磁共振成像（MRI）是一种关键医学成像技术，能够确定人体组织和器官的结构与功能状态。然而，漫长的MRI采集时间增加了扫描成本，并限制了其在欠发达地区的应用。
目的：本研究旨在设计一种轻量级、数据驱动的欠采样模式用于快速MRI，以实现MRI重建质量与采样时间的平衡，同时能够与深度学习集成以进一步改善重建质量。
方法：本研究尝试通过奇异值分解（SVD）建立k空间与对应MRI之间的联系。具体而言，我们应用SVD对MRI进行分解，将其解耦为多个按能量贡献排序的分量。随后，依次选择k空间中与各分量能量贡献相匹配的采样点。最后，将所有分量获得的采样点合并得到掩码。该掩码可直接用作采样器，或集成到深度学习中作为初始或固定采样点。
结果：实验在两个公开数据集上进行，结果表明，当基于本方法生成的掩码直接用作采样器时，MRI重建质量优于当前最优的启发式采样器。此外，当集成到深度学习模型中时，模型收敛速度更快，采样器性能显著提升。
结论：所提出的轻量级数据驱动采样方法避免了耗时参数调整和复杂数学模型的建立，实现了重建质量与采样时间的平衡。
Keyword:
data-driven reconstruction
magnetic resonance imaging
under-sampling pattern
期刊
IF:
3.2
论文数:
3.7W
被引数:
3.2W
机构
引用论文
ISTA-Net: Interpretable Optimization-Inspired Deep Network for Image Compressive SensingIsta-net: 用于图像压缩感知的可解释优化启发的深度网络
OAAI
OAAI分享收藏Constrained Probabilistic Mask Learning for Task-specific Undersampled MRI Reconstruction约束概率掩码学习用于任务特定的欠采样MRI重建
OAAI
OAAI分享收藏Fast data-driven learning of parallel MRI sampling patterns for large scale problems.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning?用于医学图像分析的卷积神经网络: 完全训练还是微调？OAAI
OAAI分享收藏Durga: A heuristically-optimized data collection strategy for volumetric magnetic resonance imaging
PREAI
分享收藏
查看更多内容