.png){kind=icon}
返回
Wavelet-Driven Decoupling and Physics-Informed Mapping Network for Accelerated Multi-parametric MR Imaging
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04927-8_63.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多参数磁共振成像（MRI）是一种先进的MRI技术，能够基于采集的多回波图像同时提供多个定量图谱。然而，较长的扫描时间常限制其应用。基于深度学习的加速多参数MRI备受关注。现有研究存在两个局限性：1）多回波信息利用效率不高；2）缺乏参数图谱的物理先验。为解决这些问题，本研究提出了一种新颖的解耦驱动和物理信息重建网络用于加速多参数MRI。具体而言，为更好地对齐和整合多回波信息，我们提出了一种新型解耦技术，包括小波驱动的解耦模块、对比性和回波依赖的解耦损失，从而能够将多回波特征有效解耦为回波依赖和回波无关成分。仅将回波无关特征跨多个回波进行融合。此外，将Bloch方程作为物理先验以指导参数图谱网络。在自建数据（12回波序列）上的实验结果表明，本方法在4倍加速下，平均SSIM提升1.54%，平均PSNR提升1.70 dB，显著突破了多参数MRI的性能限制。代码地址：https://github.com/IDEARL23/WDPM-Net。
Keyword:
Multi-parametric MRI
Quantitative MRI
Wavelet-driven
Feature decoupling
Physics-informed mapping
期刊
机构
引用论文
.png){kind=icon}
Decomposition-Based Variational Network for Multi-Contrast MRI Super-Resolution and Reconstruction
PREAI
分享收藏
分享收藏
查看更多内容