跳到正文
原文
arXiv · Image and Video Processing· Stefan Martin, Jakob Schattenfroh, Patrick Schuenke 等 7 人
· 22 小时前

物理信息深度学习用于磁共振弹性成像中的剪切波速度估计

Physics-Informed Deep Learning for Shear Wave Speed Estimation in MR Elastography

预印本 · 尚未经过同行评审

AI 导读

物理信息端到端框架可从欠采样k空间直接估计剪切波速度,加速倍数达19,NRMSE较TV降低30%。

摘要 · AI 翻译

目的:磁共振弹性成像(MRE)是一种非侵入性成像技术,用于绘制在体组织的生物力学特性,包括剪切波速度(SWS),但其本身涉及缓慢的数据采集和病态的波反演。我们不再依赖手工设计的图像先验,而是提出一种数据驱动的方法,将图像重建与 MRE 反演联合结合,以从欠采样的 k 空间数据中稳健地估计 SWS。方法:我们的物理信息重建框架包含两个模块:一个基于模型的神经网络(NN)正则化重建模块,以及一个从重建图像计算 SWS 的相位梯度反演(k-MDEV)。将两个模块串联起来,得到一种端到端可训练的方法,可直接从测得的 k 空间数据估计 SWS。我们在回顾性高度欠采样的脑部 MRE 数据上评估了该方法,并将其与基于全变分(TV)最小化的方法进行了比较。我们评估了端到端训练(以定性图像和 SWS 图为目标)与预训练(以定性图像为目标)的影响,并将该方法也应用于在体数据。结果:与 TV 相比,我们的方法将 NRMSE 显著降低了 30%。端到端训练在 SWS 估计上优于分别进行图像重建和 SWS 计算。结论:在高达 19 的加速因子下,准确的 SWS 定量是可能的。我们的方法显著优于 TV,凸显了在这一具有挑战性的 MR 问题中数据驱动正则化的必要性。此外,我们的方法成功泛化到在体数据。意义:我们提出了首个端到端可训练的 MRE 重建方法,可直接从 k 空间估计 SWS 图。基于 NN 的重建可为动态研究、功能成像和实时临床反馈实现快速硬度映射。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Image and Video Processing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。