مقاله بازسازی تصویر تشدید مغناطیسی کمی با هدایت آرامش سنجی

چکیده

Deep learning-based methods have achieved prestigious performance for magnetic resonance imaging (MRI) reconstruction, enabling fast imaging for many clinical applications. Previous methods employ convolutional networks to learn the image prior as the regularization term. In quantitative MRI, the physical model of nuclear magnetic resonance relaxometry is known, providing additional prior knowledge for image reconstruction. However, traditional reconstruction networks are limited to learning the spatial domain prior knowledge, ignoring the relaxometry prior. Therefore, we propose a relaxometry-guided quantitative MRI reconstruction framework to learn the spatial prior from data and the relaxometry prior from MRI physics. Additionally, we also evaluated the performance of two popular reconstruction backbones, namely, recurrent variational networks (RVN) and variational networks (VN) with U- Net. Experiments demonstrate that the proposed method achieves highly promising results in quantitative MRI reconstruction.

چکیده به فارسی (ترجمه ماشینی)

روشهای مبتنی بر یادگیری عمیق عملکرد معتبر برای بازسازی تصویربرداری با رزونانس مغناطیسی (MRI) را به دست آورده اند و این امکان را برای بسیاری از کاربردهای بالینی فراهم می کند.روشهای قبلی از شبکه های حلقوی برای یادگیری تصویر قبلی به عنوان اصطلاح تنظیم استفاده می کنند.در MRI کمی ، مدل فیزیکی آرام سنجی رزونانس مغناطیسی هسته ای شناخته شده است که دانش قبلی دیگری را برای بازسازی تصویر ارائه می دهد.با این حال ، شبکه های بازسازی سنتی محدود به یادگیری حوزه مکانی دانش قبلی هستند ، و نادیده گرفتن آرامش قبلی.بنابراین ، ما یک چارچوب بازسازی کمی MRI با هدایت آرامش سنجی را برای یادگیری مکانی قبل از داده ها و آرامش سنجی قبل از فیزیک MRI پیشنهاد می کنیم.علاوه بر این ، ما همچنین عملکرد دو ستون فقرات بازسازی محبوب ، یعنی شبکه های متغیر مکرر (RVN) و شبکه های متنوع (VN) را با U- خالص ارزیابی کردیم.آزمایشات نشان می دهد که روش پیشنهادی به نتایج بسیار امیدوار کننده در بازسازی کمی MRI می رسد.